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-Studio控制台。
    1. 登录PAI控制台。
    2. 在左侧导航栏，选择模型开发和训练 > Studio-可视化建模。
    3. 在PAI可视化建模页面，单击进入机器学习。进入机器学习
  2. 构建实验。
    1. 在PAI-Studio控制台的左侧导航栏，单击首页。
    2. 在模板列表，单击推荐召回-GraphEmbedding算法下的从模板创建。
    3. 在新建实验对话框，配置参数（可以全部使用默认参数）。
      参数 描述
      名称 输入推荐召回-GraphEmbedding算法。
      项目 不支持修改。
      描述 输入图神经网络召回。
      位置 选择我的实验。
    4. 单击确定。
    5. 可选：等待大约十秒钟，在PAI-Studio控制台的左侧导航栏，单击实验。
    6. 可选：在我的实验下，单击推荐召回-GraphEmbedding算法_XX。
      其中 我的实验为已配置的实验 位置， 推荐召回-GraphEmbedding算法_XX为已配置的实验 名称（ _XX为系统自动添加的实验序号）。
    7. 系统根据预置的模板，自动构建实验，如下图所示。
      图神经网络召回
      区域 描述
      ① User&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。
      ② User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。每个用户的多个特征以英文冒号（:）分隔，0元特征不能省略。每个特征必须为FLOAT类型，按照连续特征进行处理。
      ③ Item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的多个特征以英文冒号（:）分隔，0元特征不能省略。每个特征必须为FLOAT类型，按照连续特征进行处理。
      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. 运行实验并查看输出结果。
    1. 单击画布上方的运行。
    2. 实验运行结束后，右键单击画布中的graphSage-1，在快捷菜单，单击查看数据 > 查看输出桩1，即可查看生成的User Embedding。
    3. 实验运行结束后，右键单击画布中的graphSage-1，在快捷菜单，单击查看数据 > 查看输出桩2，即可查看生成的Item Embedding。