基于关系型深度学习的自助机器学习

本文将探讨直接在关系数据库上执行机器学习的新方法——关系型深度学习。

本文示例项目数据集的关系模式（作者提供图片）

在本文中，我们将深入探讨一种有趣的深度学习（DL）新方法，称为关系型深度学习（RDL）。我们还将通过在一家电子商务公司的真实数据库（不是数据集！）上做一些RDL来获得一些实践经验。

简介

在现实世界中，我们通常有一个关系数据库，我们想在这个数据库上运行一些机器学习任务。但是，有时候数据库需要高度规范化；这意味着，大量耗时的特征工程和粒度损失，因为我们必须进行大量的聚合操作。更重要的是，我们可以构建无数种可能的特征组合，每种组合都可能产生良好的性能（【文献2】）。这意味着，我们可能会在数据库表格中留下一些与ML任务相关的信息。

这类似于计算机视觉的早期，在深度神经网络出现之前，特征工程任务是基于像素值形式手工完成的。如今，模型直接使用原始像素，而不再依赖于这个中间环节。

关系型深度学习

关系型深度学习（RDL）承诺用表格形式学习实现同样的事情。也就是说，它消除了通过直接在关系数据库上学习来构建特征矩阵的额外步骤。RDL通过将数据库及其关系转换为图来实现这一点；其中，表中的一行成为节点，表之间的关系成为边，行值作为节点特征存储在节点内。

Kaggle的电子商务数据集 ，该数据集包含有关星形模式中电子商务平台的交易数据，其中包含一个核心事实表（交易）和一些维度表。完整的代码可以在 链接 处的笔记本文件中找到。

库来执行RDL。在relbench中，我们必须做的第一件事是指定关系数据库的模式。下面给出一个示例，说明我们如何对数据库中的“事务”表执行此操作。我们将表作为pandas数据帧给出，并指定主键和时间戳列。主键列用于唯一标识实体。时间戳确保我们只能在预测未来交易时从过去的交易中学习。在这种构图中，这意味着信息只能从时间戳较低的节点（即过去）流向时间戳较高的节点。此外，我们指定关系中存在的外键。在这种情况下，事务表具有列“customer_key”，该列是指向“customer_dim”表的外键。

tables['transactions'] = Table(df=pd.DataFrame(t),pkey_col='t_id',fkey_col_to_pkey_table={'customer_key': 'customers','item_key': 'products','store_key': 'stores'},time_col='date')

class EcommerceDataBase(Dataset):#创建你自己的数据集的示例:= pd.Timestamp(year=2018, month=1, day=1)test_timestamp = pd.Timestamp(year=2020, month=1, day=1)def make_db(self) ->).drop(columns=['payment_key', 'time_key', 'unit'])t['date'] = pd.to_datetime(t.date)t = t.reset_index().rename(columns={'index': 't_id'})t['quantity'] = t.quantity.astype(int)t['unit_price'] = t.unit_price.astype(float)products['unit_price'] = products.unit_price.astype(float)t['total_price'] = t.total_price.astype(float)print(t.isna().sum(axis=0))print(products.isna().sum(axis=0))print(stores.isna().sum(axis=0))print(customers.isna().sum(axis=0))tables['products'] = Table(df=pd.DataFrame(products),pkey_col='item_key',fkey_col_to_pkey_table={},time_col=None)tables['customers'] = Table(df=pd.DataFrame(customers),pkey_col='customer_key',fkey_col_to_pkey_table={},time_col=None)tables['transactions'] = Table(df=pd.DataFrame(t),pkey_col='t_id',fkey_col_to_pkey_table={'customer_key': 'customers','item_key': 'products','store_key': 'stores'},time_col='date')tables['stores'] = Table(df=pd.DataFrame(stores),pkey_col='store_key',fkey_col_to_pkey_table={})return>

至关重要的是，作者引入了训练表的概念。这个训练表基本上定义了ML任务。这里的想法是，我们想预测数据库中某个实体的未来状态（即未来值）。我们通过指定一个表来实现这一点，其中每一行都有一个时间戳、实体的标识符和我们想要预测的一些值。id用于指定实体，时间戳指定我们需要预测实体的时间点。这也将限制可用于推断此实体值的数据（即仅过去的数据）。值本身就是我们想要预测的（即真实数据值）。

就我们而言，我们有一个与客户互动的在线平台。我们希望预测客户在未来30天内的收入。我们可以使用DuckDB执行的SQL语句创建训练表。这是RDL的一大优势，因为我们可以仅使用SQL创建任何类型的ML任务。例如，我们可以定义一个查询来选择未来30天内买家的购买数量，以进行流失预测。

df = duckdb.sql(f"""selecttimestamp,customer_key,sum(total_price) as revenuefromtimestamp_df tleft jointransactions taonta.date <= t.timestamp + INTERVAL '{self.timedelta}'and ta.date > t.timestampgroup by timestamp, customer_key""").df().dropna()

结果将是一个数据库表格，其中seller_id是我们想要预测的实体的关键字，收入是目标，时间戳是我们需要进行预测的时间（即我们只能使用到目前为止的数据进行预测）。

下面是创建“customer_venue”任务的完整代码。

class CustomerRevenueTask(EntityTask):# 自定义任务示例:= TaskType.REGRESSIONentity_col = "customer_key"entity_table = "customers"time_col = "timestamp"target_col = "revenue"timedelta = pd.Timedelta(days=30) # 我们想要预测未来的收入。metrics = [r2, mae]num_eval_timestamps = 40def make_table(self, db:>

至此，我们已经完成了大部分工作。其余的工作流程都是类似的，独立于机器学习任务。我能够从relbench提供的 示例笔记本文件

例如，我们需要对节点特征进行编码。在这里，我们可以使用GloVe嵌入（【译者注】个别网文中翻译为“手套嵌入”）来编码所有文本特征，如产品描述和产品名称。

from typing import List, Optionalfrom sentence_transformers import SentenceTransformerfrom torch import Tensorclass GloveTextEmbedding:def __init__(self, device: Optional[torch.device] = None):self.model = SentenceTransformer("sentence-transformers/average_word_embeddings_glove.6B.300d",device=device,)def __call__(self, sentences: List[str]) -> Tensor:return torch.from_numpy(self.model.encode(sentences))

之后，我们可以将这些转换应用于我们的数据并构建图表。

from torch_frame.config.text_embedder import TextEmbedderConfigfrom relbench.modeling.graph import make_pkey_fkey_graphtext_embedder_cfg = TextEmbedderConfig(text_embedder=GloveTextEmbedding(device=device), batch_size=256)data, col_stats_dict = make_pkey_fkey_graph(db,col_to_stype_dict=col_to_stype_dict,# speficied column typestext_embedder_cfg=text_embedder_cfg,# our chosen text encodercache_dir=os.path.join(root_dir, f"rel-ecomm_materialized_cache"),# store materialized graph for convenience)

其余的代码将从标准层构建GNN（图神经网络），对循环训练进行编码，并进行一些评估。为了简单起见，我将把这段代码从本文中删除，因为它非常标准，在各个任务中都是一样的。你可以在链接处查看对应的笔记本文件。

训练结果（作者提供图片）

因此，我们可以训练这个GNN，使其r2达到0.3左右，MAE达到500。这意味着，它预测卖家在未来30天的收入，平均误差为+-500美元。当然，我们不知道这是好是坏，也许通过经典机器学习和特征工程的结合，我们可以得到80%的r2。

结论

关系型深度学习是一种有趣的机器学习新方法，特别是当我们有一个复杂的关系模式时，手动特征工程太费力了。它使我们能够仅使用SQL定义ML任务，这对于那些不深入研究数据科学但仅了解一些SQL的人来说尤其有用。这也意味着，我们可以快速迭代，并对不同的任务进行大量实验。

同时，这种方法也存在自己的问题，例如训练GNN和从关系模式构建图存在不少困难。此外，还有一个问题是，RDL在性能方面能在多大程度上与经典ML模型竞争。过去，我们已经看到，在表格预测问题上，XGboost等模型已被证明比神经网络更好。

参考文献

【1】Robinson，Joshua等人，《RelBench：关系数据库深度学习的基准》，arXiv，2024，。

【2】Fey、Matthias等人，《关系深度学习：关系数据库上的图表示学习》，arXiv预印本arXiv:2312.04615（2023）。

【3】Schlichtkrull，Michael等人。《用图卷积网络建模关系数据》，语义网：第15届国际会议，2018年ESWC，希腊克里特岛伊拉克利翁，2018年6月3日至7日，会议记录#15。施普林格国际出版社，2018年。

译者介绍

朱先忠，社区编辑，专家博客、讲师，潍坊一所高校计算机教师，自由编程界老兵一枚。

Self-Service ML with Relational Deep Learning