本文為您介紹如何使用二部圖GraphSAGE演算法，快速產生推薦召回情境中的User和Item向量。
背景資訊
圖神經網路是深度學習的熱點發展方向，PAI開源Graph-Learn架構，提供大量圖學習演算法。二部圖GraphSAGE是經典的圖神經網路演算法，而GraphSAGE為二部圖情境擴充，被用於淘寶的推薦召回情境。
在二部圖情境下，可以將User和Item作為圖中的點，User-Item之間的關係（點擊或購買等）作為圖中的邊。對於User和Item，其鄰居分別按照User-Item-User-Item…及Item-User-Item-User…的Meta-Path進行採樣。
前提條件
基於二部圖GraphSAGE演算法實現推薦召回
進入Designer頁面。
登入PAI控制台。
在左側導覽列單擊工作空間列表，在工作空間列表頁面中單擊待操作的工作空間名稱，進入對應的工作空間。
在工作空間頁面的左側導覽列選擇，進入Designer頁面。
構建工作流程。
在Designer頁面，單擊預置模板頁簽。
在模板列表，單擊推薦召回-GraphEmbedding演算法下的建立。
在建立工作流程對話方塊，配置參數（可以全部使用預設參數）。
其中：工作流程資料存放區配置為OSS Bucket路徑，用於儲存工作流程運行中產出的臨時資料和模型。
單擊確定。
您需要等待大約十秒鐘，工作流程可以建立成功。
在工作流程列表，雙擊推薦召回-GraphEmbedding演算法工作流程，進入工作流程。
系統根據預置的模板，自動構建工作流程，如下圖所示。
地區
描述
①
User&Item行為表，包括如下欄位：
user：BIGINT類型，表示使用者ID。
item：BIGINT類型，表示物品ID。
weight：DOUBLE類型，表示行為。例如1表示購買，2表示收藏。
②
User特徵表，包括如下欄位：
user：BIGINT類型，表示使用者ID。
feature：STRING類型，表示使用者特徵。每個使用者至少配置1個特徵，多個特徵以半形冒號（:）分隔。每個特徵必須為FLOAT類型，按照連續特徵進行處理。例如：
1:1:1。
③
Item特徵表，包括如下欄位：
item：BIGINT類型，表示物品ID。
feature：STRING類型，表示item特徵。每個item至少配置1個特徵，多個特徵以半形冒號（:）分隔。每個特徵必須為FLOAT類型，按照連續特徵進行處理。例如：
1:1:2。
④
通過graphSage組件產生用於推薦召回情境的User向量表和Item向量表。graphSage組件參數設定說明：
user特徵數：User特徵數，對應User特徵表特徵個數。
item特徵數：Item特徵數，對應Item特徵表特徵個數。
epoch：訓練的epoch數。
batch_size：訓練的batch_size大小。
learning_rate:：訓練的學習率。
drop_out：訓練時的dropout。
hidden_dim：模型隱層維度大小。
output_dim：最後輸出embedding的維數。
user跳躍採樣鄰居數：User的每一跳鄰居數。'[10,2]'表示第一跳採樣10個鄰居，第二跳採樣2個鄰居。User多跳採樣的路徑為User-Item-User-Item...
item跳躍採樣鄰居數：Item的每一跳鄰居數。Item多跳採樣的路徑為Item-User-Item-User...
負採樣數：負採樣數⽬(⼀條正樣本對應的負樣本數⽬)，通常設為5～10。
彙總類型：鄰居彙總方式，包括'gcn', 'sum'和'mean', 'gcn'指類似GCN的彙總方式，'mean'指鄰居做平均，'sum'指鄰居求和，一般選'mean'。
是否做特徵 batch normalization：是否對輸⼊特徵做batch normalization。
是否使用同步訓練：是否使⽤同步訓練。預設使⽤非同步訓練。同步訓練時epoch參數失效。在非同步訓練不收斂時可以嘗試同步訓練。注意：同步訓練效能相比非同步訓練要差。
最大同步訓練步數：最⼤訓練步數，僅在同步訓練時⽣效， 此時epoch參數不再⽣效。可通過邊數/(worker數*batch_size) 來估計遍曆⼀遍邊表需要多少step來設定。
運行工作流程並查看輸出結果。
單擊畫布上方的
。工作流程運行結束後，按右鍵畫布中的graphSage，在捷徑功能表中，單擊，即可查看產生的User Embedding。
工作流程運行結束後，按右鍵畫布中的graphSage，在捷徑功能表中，單擊，即可查看產生的Item Embedding。