EmbedX: 腾讯开源的大规模分布式Embedding训练和推理框架

RayRay
embedx大规模embedding系统图模型深度排序联合建模Github开源项目

EmbedX: 腾讯自研的大规模分布式Embedding框架

EmbedX Logo

在当今的人工智能和机器学习领域,Embedding技术已经成为处理大规模稀疏数据的关键方法之一。为了应对日益增长的数据规模和复杂性,腾讯AI Lab开发并开源了EmbedX——一个强大而灵活的分布式Embedding训练和推理框架。本文将深入介绍EmbedX的特性、应用场景以及它如何在腾讯的多个业务中发挥重要作用。

EmbedX简介

EmbedX是基于C++开发的大规模分布式Embedding训练和推理系统。它不仅支持传统的Embedding模型,还能处理复杂的图结构数据和高维稀疏特征。EmbedX的主要特点包括:

  1. 支持多种模型类型:

    • 十亿级节点、千亿级边的图模型
    • 百亿级样本、百亿特征的深度排序和召回模型
    • 图与深度排序、图与深度召回的联合建模模型
  2. 高度可扩展:能够处理超大规模的数据集和复杂的网络结构

  3. 高性能:采用分布式架构,充分利用集群资源,提高训练和推理效率

  4. 易用性:提供丰富的文档和示例,便于开发者快速上手和应用

EmbedX在腾讯的应用

EmbedX已经在腾讯内部得到广泛应用,累计支持12个业务、30多个团队使用,上线百余次。一些典型的应用场景包括:

  1. 推荐系统:

    • 微信看一看
    • 微信视频号
    • 腾讯新闻
    • QQ音乐
    • JOOX音乐
  2. 搜索引擎:

    • 微信搜一搜
    • 应用宝
  3. 金融科技:

    • 微信支付
  4. 安全与风控:

    • 微信安全
    • 腾讯黑产打击
  5. 教育科技:

    • 腾讯课堂
  6. 企业服务:

    • 领航平台

在这些应用中,EmbedX展现出了优异的性能和效果,为各个业务带来了显著的提升。

EmbedX的技术亮点

  1. 多模态数据处理 EmbedX不仅能处理传统的表格数据,还能同时处理图结构数据和高维稀疏特征。这使得它能够在复杂的场景中捕捉到更丰富的信息和关系。

  2. 联合建模能力 EmbedX支持图与深度学习模型的联合训练,能够同时利用图的结构信息和节点的特征信息,从而得到更好的表示。

  3. 分布式训练 面对十亿级节点、千亿级边的大规模图数据,EmbedX采用高效的分布式训练策略,能够充分利用集群资源,大幅提高训练速度。

  4. 在线推理 EmbedX不仅支持离线训练,还提供了高效的在线推理接口,能够快速生成实时的Embedding结果,满足在线服务的需求。

  5. 辅助工具 EmbedX提供了一系列辅助工具,如随机游走、邻居特征平均、数据编码等,方便用户进行数据预处理和特征工程。

快速上手EmbedX

对于想要尝试EmbedX的开发者,官方提供了详细的使用指南:

  1. 编译安装: 请参考编译指南

  2. 数据准备: EmbedX支持多种数据格式,详见数据格式说明

  3. 参数配置: 了解各种模型参数的含义和设置方法,请查看参数介绍

  4. 单机使用: 对于小规模数据集,可以参考单机使用指南

  5. 分布式使用: 对于大规模数据集,请参考分布式使用指南

  6. 在线推理: 如何将训练好的模型用于在线服务,请参考在线推理文档

EmbedX的学术影响

EmbedX不仅在工业界取得了显著的成果,也得到了学术界的认可。相关研究成果发表在PVLDB 2023会议上,论文题目为《EmbedX: A Versatile, Efficient and Scalable Platform to Embed Both Graphs and High-Dimensional Sparse Data》。这篇论文详细介绍了EmbedX的设计理念、系统架构和性能评估结果。

如果您的研究或项目中使用了EmbedX,请引用以下论文:

@article{10.14778/3611540.3611546,
author = {Zou, Yuanhang and Ding, Zhihao and Shi, Jieming and Guo, Shuting and Su, Chunchen and Zhang, Yafei},
title = {EmbedX: A Versatile, Efficient and Scalable Platform to Embed Both Graphs and High-Dimensional Sparse Data},
year = {2023},
volume = {16},
number = {12},
url = {https://doi.org/10.14778/3611540.3611546},
journal = {Proc. VLDB Endow.},
pages = {3543–3556}
}

开源社区与贡献

EmbedX是一个开源项目,欢迎来自社区的贡献。如果您对EmbedX感兴趣,可以通过以下方式参与:

  1. Star和Fork GitHub仓库
  2. 报告问题或提出新功能建议
  3. 提交Pull Request改进代码或文档
  4. 分享您使用EmbedX的经验和案例

在贡献之前,请阅读项目的贡献指南,了解代码规范和提交流程。

结语

EmbedX作为一个强大而灵活的分布式Embedding框架,不仅在腾讯内部的多个业务中发挥着重要作用,也为整个AI社区提供了一个宝贵的工具。无论是处理大规模图数据,还是高维稀疏特征,EmbedX都能提供高效的解决方案。

随着AI技术的不断发展和数据规模的持续增长,像EmbedX这样的大规模分布式框架将扮演越来越重要的角色。我们期待看到更多开发者和研究者加入EmbedX社区,共同推动Embedding技术的进步,为AI应用开发带来更多可能性。

EmbedX Architecture

无论您是工业界的工程师还是学术界的研究者,EmbedX都为您提供了一个强大的工具来探索和应用Embedding技术。我们鼓励您尝试EmbedX,体验它的强大功能,并期待您的反馈和贡献,让我们一起推动Embedding技术的发展!

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多