基于图神经网络的营销推荐算法

现状：
精准营销是提高企业效益的必由之路，在大数据量下，推荐算法发挥着重要的基础作用，近来基于图的关系数据因为其复杂的网络结构化信息，为推荐模型提供了更为丰富的数据价值，并在不同的业务场景下，不断刷新提升模型效果。

需解决问题：
现有的开源图网络构建方法存在着参数规模复杂、训练难度大、消耗资源多、调试复杂等缺点，难以大规模推广使用。目前通过AWS开源的DGL图链接预测算法的内存开销较大，几十万量级的数据，目前需要耿轻量级的框架算法，优化网络构建方式，降低内存使用，提升训练速度。

达到的指标：
在不损失模型效果的前提下百万量级数据模型训练时间降低在1个小时以内，内存及CPU等资源开销降低一半以上。