基于图神经网络的社交关系推荐硬件加速设计.docxVIP

PAGE2

基于图神经网络的社交关系推荐硬件加速设计

摘要

随着社交网络规模急剧膨胀，数十亿节点与复杂边关系对实时推荐提出极高要求。传统通用处理器在运行图神经网络时面临计算效率低、数据搬运开销大、延迟高等瓶颈。本设计针对社交关系推荐场景，聚焦图卷积中稀疏消息传递与聚合算子的硬件加速，提出一种基于脉动阵列与近存计算融合的专用加速架构。论文遵循“需求分析→总体设计→详细设计→实现→测试”的工程递进路径：第一章阐明背景与目标；第二章综述图神经网络核心算子与硬件加速技术；第三章梳理功能、性能及数据流需求；第四章给出分层加速器总体架构与模块划分；第五章深入设计稀疏矩阵乘单元、聚合器、片上缓存层次及控制器；第六章展示基于HLS的实现与关键优化；第七章通过仿真与性能评估验证吞吐量和能效；第八章总结成果并展望类脑近存计算方向。核心创新在于设计了一种支持动态稀疏特性的图计算算子融合单元，将数据复用率提升3倍以上，并采用双缓冲流式架构实现大规模图数据的实时流水处理，在保证推荐精度的前提下，推理延迟降至毫秒级。

第一章绪论

1.1研究背景

当前，社交平台已承载数十亿用户，用户间互动形成海量关系图。例如，Facebook的社交图包含超过28亿节点和千亿条边，微信朋友圈覆盖十亿级日活用户。基于图的推荐系统通过分析用户社交关系、兴趣相似度，提升内容分发与广告投放精准度。图神经网络，尤其是GraphS