在本文中，我們將演示如何使用PinSage（GCN演算法），DGL包，MovieLens資料集和Milvus構建基於圖的推薦系統。

背景

推薦系統[1]（RS）可以根據使用者的歷史資料識別他們的偏好，並相應地向他們推薦產品或商品。精心設計的推薦系統將為公司帶來可觀的經濟利益。

一套完整的推薦系統中包含三個元素：使用者模型，物件模型以及核心元素，推薦演算法。當前，已建立的演算法包括協作過濾，隱式語義建模，基於圖的建模，組合推薦等。在本文中，我們將提供一些有關如何使用Milvus構建基於圖形的推薦系統的簡短說明。

關鍵技術圖卷積神經（GCN）網路

· PinSage

使用者在Pinterest的網站上根據自己的興趣（引腳）和相關類別（板）標記內容，累積20億個引腳，10億個板和180億條邊（僅當圖釘落入特定板時才建立邊緣）。下圖是銷釘板二部圖。

PinSage使用引腳-板二分圖從引腳中生成高質量的嵌入，以完成諸如引腳建議之類的建議任務。它具有三個關鍵的創新：

1.動態卷積

與傳統的GCN演算法不同，後者在特徵矩陣和整個圖形上執行卷積，PinSage對節點的鄰域進行取樣，並透過動態構建計算圖來執行更有效的區域性卷積。

2.用隨機遊走模型構造卷積

在節點的整個鄰域上執行卷積將導致龐大的計算圖。為了減少所需的計算，傳統的GCN演算法檢查k跳鄰居。PinSage模擬隨機遊走，將高訪問量的內容設定為關鍵鄰域，並基於此構建卷積。

3.高效的MapReduce推斷

在節點上執行區域性卷積會帶來重複計算的問題。這是因為k跳鄰域重疊。在每個聚合步驟中，PinSage無需重複計算即可對映所有節點，將它們連結到相應的上層節點，然後檢索上層節點的嵌入。

· DGL

深度相簿（DGL）[4]是一個Python軟體包，旨在在現有的深度學習框架（例如PyTorch，MXNet，Gluon等）之上構建基於圖的神經網路模型。憑藉其易於使用的後端介面，DGL可以輕鬆植入基於張量並支援自動生成的框架中。本文處理的PinSage演算法是基於DGL和PyTorch進行最佳化的。https://github.com/dmlc/dgl/tree/master/examples/pytorch/pinsage

· Milvus

獲得嵌入的第二件事是在這些嵌入中進行相似度搜索，以找到可能感興趣的專案。

Milvus [5]是一種開源的，基於AI的相似搜尋引擎，支援多種非結構化資料轉換向量。它已被400多家企業使用者採用，其應用範圍涵蓋影象處理，計算機視覺，自然語言處理（NLP），語音識別，推薦引擎，搜尋引擎，新藥開發，基因分析等。下面顯示了使用Milvus的一般相似性搜尋過程：

· 使用者使用深度學習模型將非結構化資料轉換為特徵向量，並將其匯入Milvus。

· Milvus儲存並構建特徵向量的索引。

· 在收到使用者的向量查詢後，Milvus輸出與輸入向量相似的結果。根據要求，Milvus搜尋並返回與輸入向量最相似的向量。

推薦系統的實施系統總覽

在這裡，我們將使用下圖說明使用Milvus構建基於圖的推薦系統的基本過程，該基本過程包括資料預處理，PinSage模型訓練，資料載入，搜尋和推薦。

1.資料預處理

我們在本文中構建的推薦系統基於開放資料集MovieLens [5]（m1-1m），其中包含6,000位使用者對4,000部電影的1,000,000個評分。由GroupLens Research Labs收集的資料包括電影資訊，使用者特徵和電影評級。在本文中，我們將使用使用者的電影歷史記錄來構建具有分類特徵的圖形，即使用者電影二部圖g。

# Build graphgraph_builder = PandasGraphBuilder()graph_builder.add_entities(users, 'user_id', 'user')graph_builder.add_entities(movies_categorical, 'movie_id', 'movie')graph_builder.add_binary_relations(ratings, 'user_id', 'movie_id', 'watched')graph_builder.add_binary_relations(ratings, 'movie_id', 'user_id', 'watched-by')g = graph_builder.build()

2. PinSage模型訓練

使用PinSage模型生成的圖釘的嵌入向量是獲取的電影資訊的特徵向量。首先，根據二部圖g和自定義的電影特徵向量尺寸（預設為256維）建立PinSage模型。然後，使用PyTorch訓練模型以獲得4000部電影的h_item嵌入。

# Define the modelmodel = PinSAGEModel(g, item_ntype, textset, args.hidden_dims, args.num_layers).to(device)opt = torch.optim.Adam(model.parameters(), lr=args.lr)# Get the item embeddingsfor blocks in dataloader_test: for i in range(len(blocks)): blocks[i] = blocks[i].to(device) h_item_batches.append(model.get_repr(blocks))h_item = torch.cat(h_item_batches, 0)

3.資料載入

將PinSage模型生成的影片嵌入h_item載入到Milvus中，Milvus將返回相應的ID。將ID和相應的影片資訊匯入MySQL。

# Load data to Milvus and MySQLstatus, ids = milvus.insert(milvus_table, h_item)load_movies_to_mysql(milvus_table, ids_info)

4.搜尋

根據影片ID在Milvus中獲取相應的嵌入，並與Milvus中的這些嵌入進行相似度搜索。然後，在MySQL資料庫中找到相應的電影資訊。

# Get embeddings that users like_, user_like_vectors = milvus.get_entity_by_id(milvus_table, ids)# Get the information with similar movies_, ids = milvus.search(param = {milvus_table, user_like_vectors, top_k})sql = "select * from " + movies_table + " where milvus_id=" + ids + ";"results = cursor.execute(sql).fetchall()

5.建議

最後，系統將向用戶推薦與搜尋查詢最相似的電影。

以上是構建推薦系統的主要工作流程。有關更多詳細資訊，請參見Milvus-Bootcamp：https://github.com/milvus-io/bootcamp/tree/0.10.0/solutions/graph_based_recommend。

系統演示

除FastAPI方法外，該專案還具有一個前端演示。透過模擬使用者按自己喜歡的方式單擊電影的過程，該演示進行了電影推薦。

該系統還提供FastAPI介面和前端顯示，可根據使用者的喜好推薦電影。您可以透過登入電影推薦系統並標記您喜歡的電影來模擬該過程。

結論

PinSage是圖卷積神經網路，可用於推薦任務。它透過銷釘板二部圖生成高質量的銷釘嵌入。

我們使用MovieLens資料集來建立使用者電影二部圖，並使用DGL開源軟體包和PinSage模型來生成電影的特徵向量。然後將向量儲存在Milvus（相似性嵌入搜尋引擎）中。電影的推薦隨後返回給使用者。

Milvus嵌入向量相似性搜尋引擎可以整合到各種深度學習平臺和多種AI場景中。透過充分利用最佳化的向量檢索演算法和整合的異構計算資源，Milvus可以不斷為公司提供向量檢索功能。

參考文獻

· Web規模推薦系統的圖卷積神經網路，arxiv：1806.01973