LINE
优质
小牛编辑
140浏览
2023-12-01
LINE
LINE(Large-scale Information Network Embedding)算法,是Network Embedding领域著名的算法之一,将图数据嵌入到向量空间,从达到用针对向量类型数据的机器学习算法来处理图数据的目的
1. 算法介绍
LINE算法是一个网络表示学习算法,也可以认为是针对图数据的预处理算法。算法的输入是一个网络拓扑,输出每个节点的向量表示。LINE算法本身在于分别优化两个目标函数:
其中,,。换句话说,
- 如果两个节点之间有连边,那么在嵌入的向量空间中两个节点也要靠近
- 如果两个节点的邻居是相似的,那么在嵌入的向量空间中,两个节点也要靠近
更详细的细节请参考论文[1]
2. 运行
算法IO参数
- input: 图的边表hdfs路径,无向图,以空白符或者逗号分隔,比如不带权重的边数据如下(带权重的话第三列输入边的权重值):
0 2 2 1 3 1 3 2 4 1
output: 结果保存hdfs路径, 最终的embedding结果保存路径为 output/CP_x, 其中x代表第x轮, 结果保存的格式分隔符可通过配置项指定:
spark.hadoop.angel.line.keyvalue.sep=(可支持space、comma、tab、bar、colon等,默认是colon) spark.hadoop.angel.line.feature.sep=(可支持space、comma、tab、bar、colon等,默认是colon)
- saveContextEmbedding: 二阶line训练时选择是否保存context embedding,保存该embedding可用于增量训练
extraInputEmbeddingPath: 从外部加载预训练的节点input embedding向量做初始化用做增量训练,数据格式默认为: 节点id:embedding向量(向量用空格分隔,如 123:0.1 0.2 0.1),分隔符可通过配置项指定
spark.hadoop.angel.line.keyvalue.sep=(可支持space、comma、tab、bar、colon等,默认是colon) spark.hadoop.angel.line.feature.sep=(可支持space、comma、tab、bar、colon等,默认是colon)
extraContextEmbeddingPath: 从外部加载预训练的节点context embedding向量做初始化用做增量训练,仅二阶line生效,数据格式默认为: 节点id:embedding向量(向量用空格分隔,如 123:0.1 0.2 0.1),分隔符可通过配置项指定
spark.hadoop.angel.line.keyvalue.sep=(可支持space、comma、tab、bar、colon等,默认是colon) spark.hadoop.angel.line.feature.sep=(可支持space、comma、tab、bar、colon等,默认是colon)
- saveModelInterval:每隔多少个epoch保存一次模型
- checkpointInterval:每隔多少个epoch写一次checkpoint
算法参数
- embedding: 嵌入的向量空间维度,即为embedding向量和context的向量维度(意味着同样的参数下,二阶优化占用的模型空间为一阶优化的两倍)
- negative: 算法采样的是负采样优化,表示每个pair使用的负采样节点数
- epoch:总的迭代轮数
- stepSize: 学习率很影响该算法的结果,太高很容易引起模型跑飞的问题,如果发现结果量级太大,请降低该参数
- batchSize: 每个mini batch的大小,一般选择1000~10000
- psPartitionNum: 模型分区个数,最好是parameter server个数的整数倍,让每个ps承载的分区数量相等,让每个PS负载尽量均衡, 数据量大的话推荐500以上
- dataPartitionNum: 输入数据的partition数,一般设为spark executor个数乘以executor core数的3-4倍
- remapping: 是否需要对节点进行重新编码,取值true或者false(LINE目前只能支持节点ID属于一个连续的整数空间(int 范围内),最好在运行LINE之前做好ID的映射。如果设置为true,首先会做一次ID的映射并输出一个映射文件)
- order: 使用的是一阶相似度还是二阶相似度(1或者2), 默认为2
- sep: 边数据列分隔符(space、comma和tab可选), 默认为space
- isWeight: 边是否带权重
资源配置建议
- Angel PS个数和内存大小: 为了保证Angel不挂掉,需要配置模型大小两倍左右的内存。LINE模型大小的计算公式为:节点数 Embedding特征的维度 order * 4 Byte,比如说1kw节点、100维、2阶的配置下,模型大小差不多有8G大小,那么配置instances=4, memory=4就差不多了。另外LINE算法的瓶颈主要在通信,因此ps的数量最好能与worker数量对等,最好不要少于1:3,这样ps通信压力不会太大。
- Spark的资源配置: num-executors与executor-memory的乘积是executors总的配置内存,最好能存下2倍的输入数据。 如果内存紧张,1倍也是可以接受的,但是相对会慢一点。 比如说100亿的边集大概有160G大小, 20G * 20 的配置是足够的。
任务提交示例
进入angel环境bin目录下
input=hdfs://my-hdfs/data
output=hdfs://my-hdfs/model
source ./spark-on-angel-env.sh
$SPARK_HOME/bin/spark-submit \
--master yarn-cluster\
--conf spark.ps.instances=1 \
--conf spark.ps.cores=1 \
--conf spark.ps.jars=$SONA_ANGEL_JARS \
--conf spark.ps.memory=10g \
--jars $SONA_SPARK_JARS \
--driver-memory 5g \
--num-executors 1 \
--executor-cores 4 \
--executor-memory 10g \
--class com.tencent.angel.spark.examples.cluster.LINEExample \
../lib/spark-on-angel-examples-3.2.0.jar \
input:$input output:$output embedding:128 negative:5 epoch:10 stepSize:0.01 batchSize:1000 psPartitionNum:10 remapping:false order:2
常见问题
- 在差不多10min的时候,任务挂掉: 很可能的原因是angel ps申请不到资源!由于LINE基于Spark On Angel开发,实际上涉及到Spark和Angel两个系统,它们的向Yarn申请资源是独立进行的。 在Spark任务拉起之后,由Spark向Yarn提交Angel的任务,如果不能在给定时间内申请到资源,就会报超时错误,任务挂掉! 解决方案是: 1)确认资源池有足够的资源 2) 添加spakr conf: spark.hadoop.angel.am.appstate.timeout.ms=xxx 调大超时时间,默认值为600000,也就是10分钟
- 如何估算我需要配置多少Angel资源: 参考资源配置建议章节
项目地址:https://github.com/Angel-ML/angel
官网:https://angelml.ai/