GAMMA Lab于今日正式发布GammaGL的0.3版本，大家可以从github、启智社区或通过pip下载最新的GammaGL。新版本包含以下功能：新增10种图神经网络模型，优化消息传递计算算子性能，优化邻居采样方法，实现负采样、边采样以及子图采样，并实现了对第三方代码的支持。

一、新增图神经网络模型和数据集

GammaGL第三个版本支持50余种模型算法供大家使用，包括新增10种同质图模型算法和异质图模型算法，以及优化部分已有模型。

新增门控注意力网络GaAN [UAI 2018]
新增考虑结构公平性的图对比学习模型GRADE [NeurIPS 2022]
新增将CNN架构推广到非欧式空间的模型GMM [CVPR 2017]
新增考虑节点的文本特征的无监督学习模型TADW [IJCAI 2015]
新增能够捕获长距离依赖的模型MGNNI [NeurIPS 2022]
新增考虑模型增强技巧的图对比学习模型MAGCL [AAAI 2023]
新增基于元路径随机游走的异质图表示学习模型MetaPath2Vec [KDD 2017]，HERec [TKDE 2018]
新增缓解异质图中语义混淆现象的模型HPN [TKDE 2021]
新增可解释的异质图注意力网络ieHGCN [TKDE 2021]

修改、优化部分模型：

修改RGCN模型支持imdb数据集

在GammaGL第三个版本支持20余种数据集供大家使用，包括新增1种异质图数据集。

新增异质图数据集AMiner

二、优化消息传递计算算子性能

消息传递算子是图神经网络的核心组成部分之一，它通过在图结构中传递和聚合信息，实现节点之间的交互和信息融合。在之前的GammaGL版本中，我们已经实现了基础的消息传递算子以及对segment_max算子进行了优化，但是当图的规模增大时，消息传递算子中segment_sum和segment_mean的效率仍是一个挑战。因此，我们在新版本中对segment_sum和segment_mean算子在CPU计算环境下进行了优化，并对效果进行了测试。在我们的测试结果中：

GammaGL下的sum拓展算子优化后，相比于原生算子效率提升了144%-3995%，并且随着数据规模的增大，效率提升越明显。
GammaGL下的mean拓展算子优化后，相比于原生算子效率提升了600%-10745%，并且随着数据规模的增大，效率提升越明显。
优化后的sum和mean拓展算子的运行速度优于PyG的scatter_sum和scatter_mean。

我们给出测试结果的数据，如下表1、表2所示，以验证我们上述结论。

表1 sum拓展算子的效果对比

表2 mean拓展算子的效果对比

在之前的版本中我们实现了torch_segment和torch_spmm接口对消息传递算子和融合算子的分别调用，在新版本中，为了简化操作，我们将torch_segment和torch_spmm算子的接口进行了统一实现，现在只需调用torch_operator接口即可实现调用。

三、完善架构设计

在GammaGL 0.3版本中，我们完善了设计文档和用户手册，并优化了算法库的架构和使用方法，能够让用户更加得心应手地使用我们的算法库。

用户手册方面
用户手册整体介绍了GammaGL算法库包含各个功能和模块。完善后的用户手册以简洁明了的方式呈现GammaGL算法库每一部分所包含的内容，使用户迅速了解算法库所包含的功能以及模型。使用链接：https://gammagl.readthedocs.io/en/latest/index.html。
算法库架构
GammaGL整体架构使用pybind11进行重构，移除原始的cython开发模式。完善后的架构包括更多的高效数据结构（如sparsegraph)，高效的计算函数，后续的开发空间将更宽阔。
数据集使用方法优化
GammaGL数据集使用方法进行优化，默认下载路径更换为~/.ggl，用户使用数据集时，可以不指定下载路径。此外，GammaGL增加缓存机制，用户更换下载路径后，无需重复下载，降低设备存储压力。

四、优化采样方法和third_party的支持

采样方法在图数据的处理和分析中都扮演着重要的角色，可以帮助我们更加高效地处理大规模的图数据，提升算法的效率和性能。根据具体的任务和需求，可以适当地选择采样方法，以便提供更好的结果。在GammaGL 0.3版本中我们对采样方法做了更新。

邻居采样
我们重新设计了邻居采样方法，采用了基于edge-index的方法，取代了之前的sparse-graph的方法。这样的改进虽然在采样效率上没有提升，但是邻居采样方法的适配性更加广泛，代码示例可见：sampler（https://github.com/BUPT-GAMMA/GammaGL/tree/main/examples/sampler）。
负采样、边采样和子图采样
我们在新版本中为CPU端引入了负采样、边采样和子图采样的功能。这些功能将帮助用户更好地处理大规模的图数据，提升算法的效率和性能。
third_party的支持
在新版本中我们引入了对第三方库parallel-hashmap（https://github.com/greg7mdp/parallel-hashmap）的支持，从而能够减少开发代码的工作量，使用户的想法能够快速地实现。
随机游走序列采样
在新版本中优化了随机游走序列的采样方法，利用Numba库对采样过程进行加速，从而能够实现采样速率的提升。