文献类型：期刊文章

作　　者：肖国庆[1,2] 李雪琪[1] 陈玥丹[1,2] 唐卓[1] 姜文君[1] 李肯立[1]

XIAO Guo-Qing;LI Xue-Qi;CHEN Yue-Dan;TANG Zhuo;JIANG Wen-Jun;LI Ken-Li(College of Computer Science and Electronic Engineering,Hunan University,Changsha 410082;Shenzhen Research Institute,Hunan University,Shenzhen,Guangdong 518000)

机构地区：[1]湖南大学信息科学与工程学院,长沙410082 [2]湖南大学深圳研究院,广东深圳518000

出　　处：《计算机学报》

基　　金：广东省重点领域研发计划(2021B0101190004);国家自然科学基金(62172157,62202149);湖南省科技项目(2023GK2002、2021RC3062);广东省自然科学基金(2023A1515012915);深圳市基础研究面上项目(JCYJ20210324135409026);之江实验室开放课题(2022RC0AB03)资助。

年　　份：2024

卷　　号：47

期　　号：1

起止页码：148-171

语　　种：中文

收录情况：BDHX、BDHX2023、CAS、CSCD、CSCD2023_2024、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：图神经网络凭借其处理非欧氏空间数据及其复杂特征方面的优越性受到了大量的关注,并且被广泛应用于推荐系统、知识图谱、交通道路分析等场景中.面对大规模数据,图结构的不规则性、节点特征的复杂性以及训练样本之间的依赖性对图神经网络模型的计算效率、内存管理以及分布式系统中的通信开销造成了巨大的压力.为应对和缓解以上问题,研究者从应用场景、算法模型、编程框架和硬件结构等多个层面对其进行了优化.本文主要回顾和总结了算法模型及编程框架方面的优化,为读者了解面向大规模数据的图神经网络采样算法以及框架优化相关工作提供帮助,为未来算法-框架协同优化奠定基础.具体来说,本文首先简要介绍图神经网络模型中的消息传递机制,分类介绍常见的图神经网络模型,并分析其在大规模数据训练中面临的困难和挑战;然后对面向大规模数据的图神经网络算法模型进行分类总结和分析,包括基于节点、边和子图的采样算法;接着介绍图神经网络编程框架加速的相关进展,主要包括主流框架的介绍以及优化技术的分类总结和分析;最后对未来面向大规模数据的图神经网络研究进行展望.

关 键 词：图神经网络  大规模数据 算法优化  框架加速  

分 类 号：TP391]