2024KDD-LiGNN: Graph Neural Networks at LinkedIn

LiGNN：LinkedIn的大规模图神经网络框架核心总结与关键部分翻译

一、文章主要内容总结

LinkedIn作为全球最大的职业社交网络（拥有超10亿用户、千亿级节点和数百亿边的异质图），为解决大规模图神经网络（GNN）在实际应用中的训练、部署及业务适配问题，提出了名为LiGNN的部署级大规模GNN框架。文章围绕框架的设计、优化、部署及业务落地展开，核心内容如下：

1. 核心挑战与解决方案

针对大规模GNN应用的四大核心挑战，LiGNN提出了针对性解决方案：

• 大规模训练难题：整合Microsoft DeepGNN引擎与K8s集群，通过自适应邻居采样、训练数据分组切片、共享内存队列等技术，将训练时间从24小时缩短至3.3小时（提速7倍），训练成功率从30%提升至90%以上。
• 异质实体统一嵌入：构建包含成员、职位、公司、帖子等多类型节点和交互、关联、属性三类边的异质图，实现多实体的统一嵌入空间。
• 冷启动问题：通过图致密化（基于内容嵌入为低活跃度节点添加人工相似边）、多跳邻居采样（如2-hop PPR采样），缓解低交互节点的信息缺失问题。
• 动态系统适配：引入时序图架构（融合Transformer的位置编码、前缀因果掩码）与长期损失函数，结合近线推理 pipeline，实时捕捉时间敏感的用户交互，适配平台动态生态。