LasTGL：一种面向大规模时序图学习的工业框架
机器学习
2023-12-01 v2 人工智能
摘要
过去几年中，图神经网络（GNNs）已成为在（静态）图结构数据上学习的强大且实用的工具。然而，许多现实世界应用，如社交网络与电子商务，涉及节点和边动态演化的时序图。时序图神经网络（TGNNs）作为 GNNs 的扩展逐渐涌现以应对随时间演化的图，并逐步成为学术界与工业界的热门研究课题。推进这一新兴领域的研究与应用需要开发新工具来构建 TGNN 模型并统一其处理时序图的不同方案。在本工作中，我们介绍 LasTGL，一个集成了面向各种高级任务的通用时序图学习算法的统一且可扩展实现的工业框架。LasTGL 旨在为解决时序图学习任务提供基本构建块，聚焦于其所基于的 PyTorch 的易用性与快速原型设计指导原则。特别地，LasTGL 提供了全面的时序图数据集、TGNN 模型与实用工具以及文档完备的教程，使其既适合绝对初学者也适合资深深度学习从业者。
引用
@article{arxiv.2311.16605,
title = {LasTGL: An Industrial Framework for Large-Scale Temporal Graph Learning},
author = {Jintang Li and Jiawang Dan and Ruofan Wu and Jing Zhou and Sheng Tian and Yunfei Liu and Baokun Wang and Changhua Meng and Weiqiang Wang and Yuchang Zhu and Liang Chen and Zibin Zheng},
journal= {arXiv preprint arXiv:2311.16605},
year = {2023}
}
备注
Preprint; Work in progress