本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
图，是很有用的数据结构，用节点 (Node) 和边 (Edge) 织成一张网。比如，知识图谱就是这样的网。
处理这样的数据，要用到图嵌入 (Graph Embedding) ：把高维的网络，转换成低维的向量。处理之后，机器学习模型才能轻易食用。
如果像上图这样，只有几个节点，十几条边，图嵌入没什么难度。
如果有几十亿个节点，几万亿条边呢？传统的图嵌入方法就捉急了。
但现在，Facebook开源了叫做PyTorch-BigGraph (简称PBG) 的新工具。
有了它，再大的图 (原文是arbitrarily large，任意大) 都能快速生成图嵌入。而且，完全不需要GPU。
开源模型除了可以自己训练之外，还有拿7,800万节点的Wikidata数据预训练过的模型，可以直接下载来用。
PBG发表之后，小伙伴们纷纷奔走相告：
LeCun老师还亲自转发了两次。
如何养成
PBG是一个分布式系统，用1.2亿个节点的完整FreeBase知识图谱来训练的。
训练过程中，PBG会吃进图上所有边 (Edge) 的大列表，每条边都是用它两端的节点来定义，一个是源 (Source) ，一个是目标 (Target) 。定义中也有两点之间的关系 (Relation Type) 。
然后，PBG给每一个节点，输出一个特征向量 (就是嵌入) ，让两个相邻的节点在向量空间中离得近一些，让不相邻节点的离远一些。
这样一来，那些周围环境分布相近的节点，在向量空间里的位置也会彼此靠近，图原本要表达的意思就保留下来了。
另外，针对每种不同的关系，“近似度得分 (Proximity Score) ”都可以定制不同的计算方法。这样，一个节点的嵌入，就可以在不同种类的关系里共享了。
快一点，再快一点
要快速处理大规模的图数据，PBG用了这几个法术：
一是图分区 (Graph Partitioning) ，这样就不需要把整个模型加载到内存里了。在图嵌入质量不损失的情况下，比不分区时节省了88%的内存占用。二是一台机器进行多线程计算。三是在多台机器上同时跑，在图上各自跑一个不相邻的区域。四是批次负采样(Batched Negative Sampling) ，能让一台CPU每秒处理100万条边，每条边100次负采样。
训练完成之后，在FB15k、Youtube、LiveJournal等等图谱上，都测试过。
团队说，PBG和大前辈们的图嵌入质量相当，但需要的时间明显缩短了。
你也试一试吧
你也去训练一个PBG吧。
反正，也不用GPU。
不想训练的话，还有用完整WikiData预训练的模型。
你需要的传送门，都在这里了。
代码传送门：
https://github.com/facebookresearch/PyTorch-BigGraph
食用索引：
https://torchbiggraph.readthedocs.io/en/latest/
论文传送门：
https://arxiv.org/abs/1903.12287
博客传送门：
https://ai.facebook.com/blog/open-sourcing-pytorch-biggraph-for-faster-embeddings-of-extremely-large-graphs/
