让所有人都能快速使用图机器学习。

2019 年，纽约大学、亚马逊云科技联手推出图神经网络框架 DGL (Deep Graph Library)。如今 DGL 1.0 正式发布！DGL 1.0 总结了过去三年学术界或工业界对图深度学习和图神经网络（GNN）技术的各类需求。从最先进模型的学术研究到将 GNN 扩展到工业级应用，DGL 1.0 为所有用户提供全面且易用的解决方案，以更好的利用图机器学习的优势。

DGL 1.0 为不同场景提供的解决方案。

DGL 1.0 采用分层和模块化的设计，以满足各种用户需求。本次发布的关键特性包括：

100 多个开箱即用的 GNN 模型示例，15 多个在 Open Graph Benchmark（OGB）上排名靠前的基准模型；
150 多个 GNN 常用模块，包括 GNN 层、数据集、图数据转换模块、图采样器等，可用于构建新的模型架构或基于 GNN 的解决方案；
灵活高效的消息传递和稀疏矩阵抽象，用于开发新的 GNN 模块；
多 GPU 和分布式训练能力，支持在百亿规模的图上进行训练。

DGL 1.0 技术栈图

地址：https://github.com/dmlc/dgl

此版本的亮点之一是引入了 DGL-Sparse，这是一个全新的编程接口，使用了稀疏矩阵作为核心的编程抽象。DGL-Sparse 不仅可以简化现有的 GNN 模型（例如图卷积网络）的开发，而且还适用于最新的模型，包括基于扩散的 GNN，超图神经网络和图 Transformer。

DGL 1.0 版本的发布在外网引起了热烈反响，深度学习三巨头之一 Yann Lecun、新加坡国立大学副教授 Xavier Bresson 等学者都点赞并转发。

在接下来的文章中，作者概述了两种主流的 GNN 范式，即消息传递视图和矩阵视图。这些范式可以帮助研究人员更好地理解 GNN 的内部工作机制，而矩阵视角也是 DGL Sparse 开发的动机之一。

消息传递视图和矩阵视图

电影《降临》中有这么一句话：「你所使用的语言决定了你的思维方式，并影响了你对事物的看法。」这句话也适合 GNN。

表示图神经网络有两种不同的范式。第一种称为消息传递视图，从细粒度、局部的角度表达 GNN 模型，详细描述如何沿边交换消息以及节点状态如何进行相应的更新。第二种是矩阵视角，由于图与稀疏邻接矩阵具有代数等价性，许多研究人员选择从粗粒度、全局的角度来表达 GNN 模型，强调涉及稀疏邻接矩阵和特征向量的操作。

消息传递视角揭示了 GNN 与 Weisfeiler Lehman （WL）图同构测试之间的联系，后者也依赖于从邻居聚合信息。而矩阵视角则从代数角度来理解 GNN，引发了一些有趣的发现，比如过度平滑问题。

总之，这两种视角都是研究 GNN 不可或缺的工具，它们互相补充，帮助研究人员更好地理解和描述 GNN 模型的本质和特性。正是基于这个原因，DGL 1.0 发布的主要动机之一就是在已有的消息传递接口基础之上，增加对于矩阵视角的支持。

DGL Sparse：为图机器学习设计的稀疏矩阵库

DGL 1.0 版本中新增了一个名为 DGL Sparse 的库（dgl.sparse），它和 DGL 中的消息传递接口一起，完善了对于全类型的图神经网络模型的支持。DGL Sparse 提供专门用于图机器学习的稀疏矩阵类和操作，使得在矩阵视角下编写 GNN 变得更加容易。在下一节中，作者演示多个 GNN 示例，展示它们在 DGL Sparse 中的数学公式和相应的代码实现。

图卷积网络（Graph Convolutional Network）

GCN 是 GNN 建模的先驱之一。GCN 可以同时用消息传递视图和矩阵视图来表示。下面的代码比较了 DGL 中用这两种方法实现的区别。

使用消息传递 API 实现 GCN

使用 DGL Sparse 实现 GCN

基于图扩散的 GNN

图扩散是沿边传播或平滑节点特征或信号的过程。PageRank 等许多经典图算法都属于这一类。一系列研究表明，将图扩散与神经网络相结合是增强模型预测有效且高效的方法。下面的等式描述了其中比较有代表性的模型 APPNP 的核心计算。它可以直接在 DGL Sparse 中实现。

超图神经网络

超图是图的推广，其中边可以连接任意数量的节点（称为超边）。超图在需要捕获高阶关系的场景中特别有用，例如电子商务平台中的共同购买行为，或引文网络中的共同作者等。超图的典型特征是其稀疏的关联矩阵，因此超图神经网络 (HGNN) 通常使用稀疏矩阵定义。以下是超图卷积网络（Feng et al., 2018）和其代码实现。

图 Transformer

Transformer 模型已经成为自然语言处理中最成功的模型架构。研究人员也开始将 Transformer 扩展到图机器学习。Dwivedi 等人开创性地提出将所有多头注意力限制为图中连接的节点对。通过 DGL Sparse 工具，只需 10 行代码即可轻松实现该模型。

DGL Sparse 的关键特性

相比 scipy.sparse 或 torch.sparse 等稀疏矩阵库，DGL Sparse 的整体设计是为图机器学习服务，其中包括了以下关键特性：

自动稀疏格式选择：DGL Sparse 的设计让用户不必为了选择正确的数据结构存储稀疏矩阵（也称为稀疏格式）而烦恼。用户只需要记住 dgl.sparse.spmatrix 创建稀疏矩阵，而 DGL 在内部则会根据调用的算子来自动选择最优格式；
标量或矢量非零元素：很多 GNN 模型会在边上学习多个权重（如 Graph Transformer 示例中演示的多头注意力向量）。为了适应这种情况，DGL Sparse 允许非零元素具有向量形状，并扩展了常见的稀疏操作，例如稀疏 - 稠密 - 矩阵乘法（SpMM）等。可以参考 Graph Transformer 示例中的 bspmm 操作。

通过利用这些设计特性，与之前使用消息传递接口的矩阵视图模型的实现相比，DGL Sparse 将代码长度平均降低了 2.7 倍。简化的代码还使框架的开销减少 43%。此外DGL Sparse 与 PyTorch 兼容，可以轻松与 PyTorch 生态系统中的各种工具和包集成。