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。
前提条件
基于二部图GraphSAGE算法实现推荐召回
进入Designer页面。
登录PAI控制台。
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，进入对应的工作空间。
在工作空间页面的左侧导航栏选择，进入Designer页面。
构建工作流。
在Designer页面，单击预置模板页签。
在模板列表，单击推荐召回-GraphEmbedding算法下的创建。
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。
单击确定。
您需要等待大约十秒钟，工作流可以创建成功。
在工作流列表，双击推荐召回-GraphEmbedding算法工作流，进入工作流。
系统根据预置的模板，自动构建工作流，如下图所示。
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。
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。graphSage组件参数设置说明：
user特征数：User特征数，对应User特征表特征个数。
item特征数：Item特征数，对应Item特征表特征个数。
epoch：训练的epoch数。
batch_size：训练的batch_size大小。
learning_rate:：训练的学习率。
drop_out：训练时的dropout。
hidden_dim：模型隐层维度大小。
output_dim：最后输出embedding的维数。
user跳跃采样邻居数：User的每一跳邻居数。'[10,2]'表示第一跳采样10个邻居，第二跳采样2个邻居。User多跳采样的路径为User-Item-User-Item...
item跳跃采样邻居数：Item的每一跳邻居数。Item多跳采样的路径为Item-User-Item-User...
负采样数：负采样数⽬(⼀条正样本对应的负样本数⽬)，通常设为5～10。
聚合类型：邻居聚合方式，包括'gcn', 'sum'和'mean', 'gcn'指类似GCN的聚合方式，'mean'指邻居做平均，'sum'指邻居求和，一般选'mean'。
是否做特征 batch normalization：是否对输⼊特征做batch normalization。
是否使用同步训练：是否使⽤同步训练。默认使⽤异步训练。同步训练时epoch参数失效。在异步训练不收敛时可以尝试同步训练。注意：同步训练性能相比异步训练要差。
最大同步训练步数：最⼤训练步数，仅在同步训练时⽣效， 此时epoch参数不再⽣效。可通过边数/(worker数*batch_size) 来估计遍历⼀遍边表需要多少step来设置。
运行工作流并查看输出结果。
单击画布上方的
。工作流运行结束后，右键单击画布中的graphSage，在快捷菜单中，单击，即可查看生成的User Embedding。
工作流运行结束后，右键单击画布中的graphSage，在快捷菜单中，单击，即可查看生成的Item Embedding。