小赵带你读论文系列-Multi-source Data Multi-task Learning for Profiling Players in Online Games

原文链接：MDSMT

目的：使用多源数据流解决流失预测的问题和付费多少预测的问题（多任务）。

数据源：Player portrait（静态属性）；Behavior Sequence（行为序列的动态属性）；Social Network（社交网络）

定义玩家流失：如果玩家7天没有上线就判定流失；定义payment：把玩家7天付出的总金额当作total payment label

用户被分为三组：流失；没有流失没付钱；未流失还付钱了

根据数据的实验分析：得到不同组玩家的行为序列和其流失及消费的关联性（e.g. 流失的用户会疯狂消耗其令牌）；

创新点一：他这个Portrait居然也是动态的，他是将一段时间内portrait的变化进行embedding。

创新点二：我还是不明白为什么要用Conv1D，但是把用户的行为序列做成了一个embedding就很厉害啊

创新点三：使用GCN将玩家的三种数据源进行结合，这就很迷，他后面还使用了GCN单独进行预测进行比较。

这篇文章重点让我认识到网易数据源的丰富性和多任务吧，别的倒是没有特别突出的地方

最后放上我觉得比较好的一些GCN和GAT理解资料:

GCN：GCN1 GCN2 GCN3

GCN是鼻祖，需要提前知道邻接矩阵A，最重要的是可以提前计算，然后缩减运算量。

GraphSage:GraphSage实现；GraphSage解析

GraphSage使用了两个优化技巧，第一个是聚集不同hop的embeddings（递归），第二个是使用Sampling，大大缩短了运算量，算是GCN在工程上的实现。

GAT：直接看原文就好，这个东西比较简单，就是用了多头注意力，原有的GCN考虑节点间影响的时候认为度数和其有关系，没有考虑到node之间的embeddings之间的相似性。

然后就使用了muti-Attention 的机制，这里面要注意一点，就是Attention的时候要注意掩码的设置，

和节点相邻的部分，我们才将其设为1，否则就是一个很大的负数，这样在softmax时候，其无线接近0。其最后一层并不是简单的concat，而是将各个head的特征值进行平均，然后再输出Cla's's

GAT；GAT2