DeepWalk 游走

1. 算法介绍

DeepWalk是一种重复访问已访问节点的深度优先遍历的图表示学习算法。DeepWalk算法使用随机游走(RandomWalk)的方式在图中进行节点采样，给定当前访问起始节点，从其邻居中随机采样节点作为下一个访问节点，重复此过程，直到访问序列长度满足预设条件。本算法仅包含游走部分。

2. 运行

算法IO参数

input：输入，hdfs路径，无向或者有向图，有权或者无权（可选）。每行表示一条边： srcId 分隔符 dstId （分隔符 weight）。比如：

0 1 0.3

2 1 0.5

3 1 0.1

3 2 0.7

4 1 0.3

其中，从左到右三列数据的意义分别为源节点ID、尾节点ID、边权值(无权情况可以为空)

output: 输出，hdfs路径。每行表示一条游走路径
sep: 分隔符，输入中每条边的起始顶点、目标顶点之间的分隔符: tab, 空格等
isWeighted：边是否带权

算法参数

walkLength：每条路径的游走长度（或节点个数）
numWalks：游走轮数，每轮游走指从metaPath中包含的所有类型的节点开始，游走walkLength长度
needReplicateEdge：是否需要将graph转成无向图
partitionNum：数据分区数，spark rdd数据的分区数量
psPartitionNum：参数服务器上模型的分区数量
useBalancePartition：参数服务器对输入数据节点存储划分是否均衡分区，如果输入节点的索引不是均匀的话建议选择是
storageLevel：RDD存储级别，DISK_ONLY/MEMORY_ONLY/MEMORY_AND_DISK

资源参数

ps个数和内存大小：ps.instance与ps.memory的乘积是ps总的配置内存。为了保证Angel不挂掉，需要配置ps上数据存储量大小两倍左右的内存。对于deepwalk来说，计算公式分别为：节点数 * (8+4+4)Bytes*节点平均邻居数。
Spark的资源配置：num-executors与executor-memory的乘积是executors总的配置内存，最好能存下2倍的输入数据。如果内存紧张，1倍也是可以接受的，但是相对会慢一点。比如说100亿的边集大概有600G大小， 50G * 20 的配置是足够的。在资源实在紧张的情况下，尝试加大分区数目！

任务提交示例

input=hdfs://my-hdfs/data
output=hdfs://my-hdfs/output

source ./spark-on-angel-env.sh
$SPARK_HOME/bin/spark-submit \
  --master yarn-cluster\
  --conf spark.ps.instances=1 \
  --conf spark.ps.cores=1 \
  --conf spark.ps.jars=$SONA_ANGEL_JARS \
  --conf spark.ps.memory=10g \
  --name "deepwalk angel" \
  --jars $SONA_SPARK_JARS  \
  --driver-memory 5g \
  --num-executors 1 \
  --executor-cores 4 \
  --executor-memory 10g \
  --class com.tencent.angel.spark.examples.cluster.DeepWalkExample \
  ../lib/spark-on-angel-examples-3.3.0.jar
  input:$input output:$output \
  sep:tab storageLevel:MEMORY_ONLY useBalancePartition:true \
  partitionNum:4 psPartitionNum:1 walkLength:10 needReplicateEdge:true

常见问题

在差不多10min的时候，任务挂掉：很可能的原因是angel申请不到资源！由于DeepWalk基于Spark On Angel开发，实际上涉及到Spark和Angel两个系统，在向Yarn申请资源时是独立进行的。在Spark任务拉起之后，由Spark向Yarn提交Angel的任务，如果不能在给定时间内申请到资源，就会报超时错误，任务挂掉！解决方案是： 1）确认资源池有足够的资源 2）添加spakr conf: spark.hadoop.angel.am.appstate.timeout.ms=xxx 调大超时时间，默认值为600000，也就是10分钟