論文の概要: RankGraph-2: Lifecycle Co-Design for Billion-Node Graph Learning in Recommendation
- arxiv url: http://arxiv.org/abs/2606.18379v1
- Date: Tue, 16 Jun 2026 18:27:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 17:16:50.840534
- Title: RankGraph-2: Lifecycle Co-Design for Billion-Node Graph Learning in Recommendation
- Title（参考訳）: RankGraph-2: Recommendationにおける数十億ノードグラフ学習のためのライフサイクル共同設計
- Authors: Renzhi Wu, Zikun Cui, Junjie Yang, Tai Guo, Hong Li, Xian Chen, Li Yu, Ke Pan, Sri Reddy, Mahesh Srinivasan, Nipun Mathur, Haomin Yu, Hong Yan,
- Abstract要約: RankGraph-2はMetaにデプロイされたフレームワークで、類似性に基づく検索のために3つのライフサイクルステージ全てを共同設計する。
数十兆のエッジを数十億のエッジに減らし、人気バイアス補正をサブサンプリングする。
また、計算コストを83%削減する。
- 参考スコア（独自算出の注目度）: 18.858538864794074
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph-based retrieval at billion-node scale requires jointly solving three tightly coupled problems -- graph construction, representation learning, and real-time serving -- yet existing work addresses each in isolation. We present RankGraph-2, a framework deployed at Meta that co-designs all three lifecycle stages for similarity-based retrieval (U2U2I and U2I2I), where each stage's requirements shape the others. Serving requires a co-learned cluster index to avoid expensive online KNN -- this pushes index co-training into the training objective. Training benefits from the observation that similarity-based retrieval tolerates pre-computed neighborhoods, eliminating online graph infrastructure -- this requires construction to produce self-contained data. Construction must also support hour-level refresh for item coverage. Acting on these cascading requirements, RankGraph-2 reduces hundreds of trillions of edges to hundreds of billions via subsampling with popularity bias correction, pre-computes multi-hop neighborhoods via personalized PageRank, and co-learns a residual-quantization cluster index that reduces serving computational cost by 83%. This lifecycle co-design enables a simple architecture to achieve 3.8 x higher recall than a GAT + Deep Graph Infomax model on a bipartite graph and 2.1 x higher than PyTorch-BigGraph on item retrieval. RankGraph-2 delivers up to +0.96% CTR and +2.75% CVR, and has powered 20+ retrieval launches across major surfaces.
- Abstract（参考訳）: 数十億ノード規模のグラフベースの検索には、グラフ構築、表現学習、リアルタイムサービスという3つの密結合した問題を、それぞれ独立して解決する必要がある。
類似性に基づく検索(U2U2IとU2I2I)のために3つのライフサイクルステージを共同設計する,Metaにデプロイされたフレームワークである RankGraph-2 を紹介した。
Servingは、高価なオンラインKNNを避けるために、共同学習されたクラスタインデックスを必要とする。
類似性に基づく検索が事前計算された地区を許容し、オンライングラフインフラストラクチャーをなくすという観察から得られるトレーニングの利点は、自己完結したデータを生成する構築を必要とする。
コンストラクションはアイテムカバレッジの時間レベルのリフレッシュもサポートしなければなりません。
RankGraph-2は、これらのカスケーディング要件に従って、人気バイアス補正によるサブサンプリング、パーソナライズされたPageRankによるマルチホップ地区の事前計算、計算コストを83%削減する残留量子化クラスタインデックスの共同学習を通じて、数百兆のエッジを数十億に削減する。
このライフサイクルの共設計により、単純なアーキテクチャは、二部グラフ上のGAT + Deep Graph Infomaxモデルよりも3.8倍、アイテム検索におけるPyTorch-BigGraphより2.1倍高いリコールを達成することができる。
RankGraph-2は最大で+0.96%のCTRと+2.75%のCVRを供給し、主要な表面を横断する20以上の検索を起動する。
関連論文リスト
- LineGraph2Road: Structural Graph Reasoning on Line Graphs for Road Network Extraction [0.0]
LineGraph2Roadは、構築されたグローバルだがスパースなユークリッドグラフにおいて、エッジ上のバイナリ分類として定式化することで接続性予測を改善するフレームワークである。
都市スケール,SpaceNet,Global-scaleの3つのベンチマークで評価し,TOPO-F1とAPLSの2つの主要な指標で最先端の結果が得られたことを示す。
論文 参考訳（メタデータ） (2026-02-26T18:02:44Z) - RankGraph: Unified Heterogeneous Graph Learning for Cross-Domain Recommendation [26.878738892518427]
RankGraphはスケーラブルなグラフ学習フレームワークで、推奨基礎モデル(FM)のコアコンポーネントとして機能するよう設計されている。
我々のフレームワークはGPUで加速されたグラフニューラルネットワークとコントラスト学習を採用しており、サブグラフの動的抽出を可能にしている。
RankGraphは、オンラインA/Bテストにおけるクリック(+0.92%)とコンバージョンレート(+2.82%)の改善を実証している。
論文 参考訳（メタデータ） (2025-09-03T02:16:50Z) - A Binary Classification Social Network Dataset for Graph Machine Learning [15.282729507317065]
グラフ機械学習のためのベンチマーク分類ソーシャルネットワークデータセットはありません。
本稿では、グラフ機械学習アプリケーションを用いてバイナリクラスを予測するために設計された、バイナリ分類ソーシャルネットワークデータセット(textitBiSND)を提案する。
以上の結果から, BiSNDは67.66から70.15までのF1スコアで分類作業に適しており,今後の改善への道筋が示唆された。
論文 参考訳（メタデータ） (2025-03-04T08:40:42Z) - An Automatic Graph Construction Framework based on Large Language Models for Recommendation [49.51799417575638]
本稿では,大規模言語モデルに基づく自動グラフ構築フレームワークであるAutoGraphを紹介する。
LLMはユーザ好みとアイテムの知識を推論し、セマンティックベクターとして符号化する。
潜在因子は、ユーザ/イテムノードをリンクする余分なノードとして組み込まれ、結果として、深いグローバルビューセマンティクスを持つグラフとなる。
論文 参考訳（メタデータ） (2024-12-24T07:51:29Z) - GLISP: A Scalable GNN Learning System by Exploiting Inherent Structural
Properties of Graphs [5.410321469222541]
産業規模グラフのためのサンプリングベースGNN学習システムであるGLISPを提案する。
GLISPは、グラフパーティショナ、グラフサンプリングサービス、グラフ推論エンジンの3つのコアコンポーネントで構成されている。
実験の結果、GLISPはトレーニングと推論タスクのために既存のGNNシステムよりも最大6.53タイム、70.77タイムのスピードアップを達成した。
論文 参考訳（メタデータ） (2024-01-06T02:59:24Z) - HUGE: Huge Unsupervised Graph Embeddings with TPUs [6.108914274067702]
グラフ埋め込み(Graph Embedding)は、グラフ内のノードを連続的に表現するプロセスである。
高帯域幅メモリを利用した高性能グラフ埋め込みアーキテクチャを提案する。
実・合成大規模データセット上での埋め込み空間の品質を検証する。
論文 参考訳（メタデータ） (2023-07-26T20:29:15Z) - Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural
Networks [52.566735716983956]
本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。
LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。
提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
論文 参考訳（メタデータ） (2022-07-18T14:23:31Z) - AnchorGAE: General Data Clustering via $O(n)$ Bipartite Graph
Convolution [79.44066256794187]
我々は、グラフ畳み込みネットワーク(GCN)を構築するために使用される生成グラフモデルを導入することにより、グラフに非グラフデータセットを変換する方法を示す。
アンカーによって構築された二部グラフは、データの背後にある高レベル情報を利用するために動的に更新される。
理論的には、単純な更新が退化につながることを証明し、それに従って特定の戦略が設計される。
論文 参考訳（メタデータ） (2021-11-12T07:08:13Z) - Scaling Graph Neural Networks with Approximate PageRank [64.92311737049054]
GNNにおける情報拡散の効率的な近似を利用したPPRGoモデルを提案する。
高速であることに加えて、PPRGoは本質的にスケーラブルであり、業界設定で見られるような大規模なデータセットに対して、自明に並列化することができる。
このグラフのすべてのノードに対するPPRGoのトレーニングとラベルの予測には1台のマシンで2分未満で、同じグラフ上の他のベースラインをはるかに上回ります。
論文 参考訳（メタデータ） (2020-07-03T09:30:07Z) - Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。
しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。
本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
論文 参考訳（メタデータ） (2020-01-18T09:14:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。