图上的机器学习是一类很重要也很普遍的任务,从微信的好友关系预测到生物蛋白质相似性判断。在这类领域,图的稀疏性是必须解决的问题。常用的做法是将图的结构进行编码,使其更加容易被机器学习算法使用。传统的做法非常依赖手工设计算法对图的结构进行编码,进而提取图的特征信息。手工设计策略的办法,首先面临的问题是成本较高,需要深入理解图的结构以及应用场景;其次就是不够灵活,图结构的任何变动可能需要对算法重新设计,并再次对图结构进行编码。近些年来,算法自动学习,将图的结构映射、编码到低纬度的向量空间,逐渐受到关注。该类方法主要基于深度学习,矩阵分解或者非线性的降维。基于深度学习的方法通过引入节点属性向量,使得图的向量表示更加准确。但是在该场景下,节点维度变高、图的规模变大,节点属性的访问会成为训练瓶颈。本文旨在基于图划分的方法对已有算法进行优化。保证在不降低训练性能的前提下,充分发挥深度学习算子以及节点属性向量的优势。本文的主要贡献如下:·本文充分调研了图表示学习算法,发现在基于深度学习的方法中,很少有算法关注图结构的稀疏性对深度学习框架性能的影响。本文使用图划分的方法,结合图的幂律分布特性与抽样算法的特点,对现有算法进行优化。·本文基于图的划分算法,使用粗粒度和细粒度相结合的抽样方法,控制显存中特征矩阵的大小;设计显存缓存池来缓存特征矩阵块,降低特征矩阵的访问开销;使用分层负样本采样的方法,降低划分场景下负采样算法时间复杂度。·本文结合图计算与图表示学习算法,实现了基于图划分的表示学习算法,并通过实验证明了本文优化的效果以及算法的正确性。实验表明,在不同规模的真实数据集上,本文算法的训练性能相比于对照算法,在均值算子上能提高4到7倍,在其他算子上能提高1.5到1.7倍。同时,在下游的分类任务中,本文算法的最好表现与对照算法的最好表现基本一致。