一站式图计算平台 GraphScope，支持图分析、图的交互式查询和图学习任务

GraphScope 是阿里巴巴达摩院智能计算实验室研发并开源的一站式图计算平台。GraphScope 提供了 Python 客户端，能十分方便的对接上下游工作流，具有一站式、开发便捷、性能极致等特点。它整合了智能计算实验室多个重要的创新性技术，包括 GRAPE，MaxGraph，Graph-Learn，分别支持图分析、图的交互式查询和图学习任务，引擎间使用 Vineyard 存储，提供跨进程，零拷贝的内存数据共享服务。其中核心优势包括在业界首次支持了 Gremlin 分布式编译优化，支持了算法的自动并行化、提供了企业级场景下的极致性能等。在阿里巴巴内外部应用中，GraphScope 已经证明在多个关键互联网领域（如风控，电商推荐，广告，网络安全，知识图谱等）实现了重要的业务新价值。

快速开始

我们提供了一个基于 JupyterLab 的 Playground，可以从浏览器中在线试用 GraphScope。

https://try.graphscope.app/

GraphScope 支持本地运行，或在 Kubernetes (k8s) 管理的集群上运行。为了快速上手，我们先从本地部署的方式开始。

本地安装

使用 pip 安装 GraphScope。

pip3 install graphscope

注意 graphscope 的版本要求，需要 Python >= 3.7 及 pip >= 19.0

GraphScope 包在大多数流行的 Linux 发行版 (Ubuntu 20.04+ / Centos 7+) 与 macOS 12+ (Intel/Apple silicon) 上测试通过，对于 Windows 用户，需要在 WSL2 上安装 Ubuntu 来使用 GraphScope。

示例: 论文引用网络中的节点分类任务

ogbn-mag 是由微软学术关系图（Microsoft Academic Graph）的子集组成的异构图网络。该图中包含 4 种类型的实体（即论文、作者、机构和研究领域），以及连接两个实体的四种类型的有向关系边。

我们需要处理的任务是，给出异构的 ogbn-mag 数据，在该图上预测每篇论文的类别。这是一个节点分类任务，该任务可以归类在各个领域、各个方向或研究小组的论文，通过对论文属性和引用图上的结构信息对论文进行分类。在该数据中，每个论文节点包含了一个从论文标题、摘要抽取的 128 维 word2vec 向量作为表征，该表征是经过预训练提前获取的；而结构信息是在以下过程中即时计算的。

载图

GraphScope 以属性图（property graph）建模图数据。属性图中，点和边都有一个标签（label），不同的标签有不同的属性（property）。以 ogbn-mag 为例，下图展示了属性图的模型。

该图具有四种顶点，分别标记为“论文”、“作者”、“机构”和“研究领域”。有四种连接它们的边， 每种边都有一个标签，并且边的两端顶点的标签也是确定的。例如，“引用”这种标签的边连接两个“论文”顶点。另一个例子是标记为“撰写”的边， 它要求该起始点的标记为“作者”，终止点的标记为“论文”。所有的顶点和边都可以具有属性。例如，“论文”顶点具有诸如发布年份、主题标签等属性。

执行如下命令载图，GraphScope 会自动下载数据：

import graphscope
from graphscope.dataset import load_ogbn_mag

g = load_ogbn_mag()

传送门

更多内容：https://github.com/alibaba/GraphScope