| 导语
Angel是腾讯首个AI开源项目，2019年在基金会的孵化过程中，完成了3.0版本的发布，并于同年在基金会顺利毕业。作为面向机器学习的第三代高性能计算平台，Angel提供了全栈的机器学习能力，并致力于解决高维稀疏大模型训练及大规模图数据分析的问题。
我们看到在万物互连的复杂网络世界，现实中许多问题也可以抽象成图来表达，而金融支付、安全风控、推荐广告、知识图谱等业务积累了大量的图数据，亟需借助传统图挖掘、图表示学习和图神经网络等图分析技术，从海量关系结构的数据中挖掘丰富的信息，以弥补单点分析的不足和提升业务效果。因此，在3.1.0版本中，Angel加强了自身的图计算能力。
主要新特性如下：
1.实现了高性能、高可靠、易用的大规模分布式图计算框架Angel Graph，可以高效地对海量图结构数据进行挖掘分析处理。
2.提供了一系列开箱即用的图算法，包括传统图挖掘、图表示学习以及图神经网络算法，这些算法可以通过简单的配置调用直接应用到生产环境中。
3.提供了用于图操作的基本算子抽象，包括图的构建、对顶点和边的操作、图的信息获取以及采样等基础算子。
4.PyTorch on Angel框架支持在GPU设备运行，可以利用硬件来加快计算密集型的图算法。
Angel Graph吸收了Angel参数服务器以及Spark、PyTorch优势，依托大数据生态，使得传统图计算、图表示学习和图神经网络“三位一体”，实现了高性能、高可靠、易用的大规模分布式图计算框架。其核心能力如下：
1.复杂异构网络。工业界的图数据组成复杂多样，数据规模往往具有十亿级顶点、百亿甚至千亿级边。Angel Graph通过Spark On Angel或Pytorch进行分布式训练，可以轻松支持十亿级顶点、千亿级边的大规模图计算。
2.端到端的图计算。工业界的大数据生态多为Spark、Hadoop。Angel Graph基于Spark On Angel的架构，可以无缝衔接Spark，以便利用Spark 的ETL能力，支持端到端的图学习。
3.传统图挖掘。支持十亿级顶点、千亿级边的传统图算法，如PageRank、Kcore分析节点重要性，Louvain进行社区发现等。提供对顶点的测度分析和丰富的图特征，以便应用到机器学习或推荐风控等业务模型中。
4.图表示学习。支持十亿级顶点，千亿级边的Graph Embedding算法，如LINE、Word2Vec等。
5.图神经网络。支持十亿级顶点，数百亿边的图神经网络算法，利用顶点或边上丰富的属性信息进行深度学习。
我们在大规模真实的数据集对比Graphx和Angel Graph的多个算法性能，在资源是其1/3情况下，性能仍有一个数量级的优势。
图1 性能对比，DS1(10亿顶点，百亿边)，DS2(20亿顶点，千亿边)
Angel Graph内置数十种常用图算法，并且在内部业务中进行了充分测试，保证了算法的运行效率和正确性。用户使用时无需过多调整，便可快速使用。算法列表如下：
| 算法名称 | 算法类型 | 说明 |
|---|---|---|
| PageRank | 节点重要性计算 | 经典的传统图算法 |
| Hindex | 节点重要性计算 | 混合量化指标，参考H指数 |
| Kcore | 节点特征 | 提取网络中关键子结构 |
| Louvain | 社区发现 | 通过优化模块度指标达到社区划分的目的 |
| Closeness | 接近中心性 | 度量顶点在图中的中心程度 |
| CommonFriends | 共同好友计算 | 计算两个顶点的共同好友数 |
| TriangleCountingUndirected | 三角计数 | 计算每个顶点所在的三角结构个数 |
| LPA | 标签传播 | 一种社区发现或传播算法 |
| ConnectedComponents | 弱连通分量 | 挖掘图的弱连通分量 |
| LINE | 表示学习 | 可利用1阶,2阶邻居信息进行表示学习 |
| Word2Vec | 表示学习 | 一种经典的表征学习算法 |
| GraphSage | 图神经网络算法 | 通过聚合节点邻居的特征进行表示学习 |
| GCN | 图神经网络算法 | 类似CNN操作，并应用到图非欧空间的算法 |
| DGI | 图神经网络算法 | DIM应用到复杂网络领域 |
请点击“阅读原文”，更多惊喜等你发掘！
