本文为您介绍如何使用二部图GraphSAGE算法，快速生成推荐召回场景中的User和Item向量。

背景信息

图神经网络是深度学习的热点发展方向，PAI开源Graph-Learn框架，提供大量图学习算法。二部图GraphSAGE是经典的图神经网络算法，而GraphSAGE为二部图场景扩展，被用于淘宝的推荐召回场景。

在二部图场景下，可以将User和Item作为图中的点，User-Item之间的关系（点击或购买等）作为图中的边。对于User和Item，其邻居分别按照User-Item-User-Item…及Item-User-Item-User…的Meta-Path进行采样。

基于二部图GraphSAGE算法实现推荐召回

  1. 进入PAI-Designer页面。
    1. 登录PAI控制台。
    2. 在左侧导航栏单击工作空间列表，在工作空间列表页面中单击待操作的工作空间名称，进入对应工作空间内。
    3. 在工作空间页面的左侧导航栏选择模型开发和训练 > 可视化建模（Designer），进入Designer页面。
  2. 构建工作流。
    1. 在PAI-Designer页面，单击预置模板页签。
    2. 在模板列表，单击推荐召回-GraphEmbedding算法下的创建。
    3. 在新建工作流对话框，配置参数（可以全部使用默认参数）。
      其中：工作流数据存储配置为OSS Bucket路径，用于存储工作流运行中产出的临时数据和模型。
    4. 单击确定。
      您需要等待大约十秒钟，工作流可以创建成功。
    5. 在工作流列表，双击推荐召回-GraphEmbedding算法工作流，进入工作流。
    6. 系统根据预置的模板，自动构建工作流，如下图所示。
      图神经网络召回
      区域描述
      ①User&Item行为表，包括如下字段：
      • user：BIGINT类型，表示用户ID。
      • item：BIGINT类型，表示物品ID。
      • weight：DOUBLE类型，表示行为。例如1表示购买，2表示收藏。
      ②User特征表，包括如下字段：
      • user：BIGINT类型，表示用户ID。
      • feature：STRING类型，表示用户特征。每个用户至少配置1个特征，多个特征以半角冒号（:）分隔。每个特征必须为FLOAT类型，按照连续特征进行处理。例如：1:1:1。
      ③Item特征表，包括如下字段：
      • item：BIGINT类型，表示物品ID。
      • feature：STRING类型，表示item特征。每个item至少配置1个特征，多个特征以半角冒号（:）分隔。每个特征必须为FLOAT类型，按照连续特征进行处理。例如：1:1:2。
      ④通过graphSage组件生成用于推荐召回场景的User向量表和Item向量表。
  3. 运行工作流并查看输出结果。
    1. 单击画布上方的运行。
    2. 工作流运行结束后，右键单击画布中的graphSage，在快捷菜单，单击查看数据 > user_embedding，即可查看生成的User Embedding。
    3. 工作流运行结束后，右键单击画布中的graphSage，在快捷菜单，单击查看数据 > item_embedding，即可查看生成的Item Embedding。