RankGraph-2: Lifecycle Co-Design for Billion-Node Graph Learning in Recommendation
RankGraph-2：十亿节点图学习生命周期协同设计
🧭 图学习全生命周期协同优化 ★ 深度解读
Meta Platforms
通过图构建-训练-服务三阶段协同设计，在十亿规模图上实现高召回、低延迟检索，服务成本降低83%
📌 工作参考价值（4 点）
- 用预计算PPR邻居替代在线图采样：即便面向高阶相似性检索（U2U2I/U2I2I），离线PPR产生的邻居质量不低于在线随机游走，且省去图存储与分布式采样引擎。可直接在标准ML训练框架上训练GNN。
- 联合训练残差量化索引替代在线KNN：将向量检索转化为聚类查表（U2Cluster2I），服务成本降低83%。关键在于引入码本使用频率正则化与偏置码选择，避免连续训练下码本坍缩，这一技巧可直接移植到其他需要联合训练索引的场景。
- 热度偏差校正与边子采样策略：对I-I边按邻居流行度降权（α=0.3），再结合top-K边截断，可将百亿规模图压缩三个数量级同时保留长尾结构信号，对电商场景中的热门商品霸榜问题有直接借鉴。
- 异构共现边统一构建：仅从交互日志同时生成U-I、U-U、I-I三类边，无需引入社交或知识图谱，且U-U和I-I边的权重用共同重合边的对数归一化，可简单有效捕捉协同信号。