摘要

基于子图的图表示学习（Subgraph-based Graph Representation Learning, SGRL）最近被提出，旨在应对传统图神经网络（GNNs）所面临的若干根本性挑战，并在链接预测、关系预测及图元（motif）预测等重要数据科学应用中展现出显著优势。然而，现有的SGRL方法在可扩展性方面仍存在明显瓶颈，因其在每个训练或测试查询时均需提取子图，导致计算开销巨大。尽管近期已有针对传统GNN的可扩展性改进方案，但这些方法难以直接适用于SGRL框架。为此，本文提出一种新型可扩展SGRL框架SUREL，通过学习算法与系统支持的协同设计，实现高效计算。SUREL采用基于游走（walk-based）的子图分解策略，并复用已有游走路径构建子图，显著降低了子图提取过程中的冗余计算，同时支持并行化处理。在包含数百万节点与边的六种异构、同构及高阶图数据集上的实验表明，SUREL在性能与可扩展性方面均表现出色。具体而言，与现有SGRL基线方法相比，SUREL实现了高达10倍的加速比，同时保持甚至超越其预测性能；而与传统GNN相比，SUREL在预测准确率上提升了50%。