论文简介
在网络游戏中，用户档案在各种个性化服务中扮演着至关重要的角色。当前的解决方案通常将完整用户资料的不同维度或标签(例如，是否愿意付费，对某些游戏玩法的高、中、低兴趣)视为独立的多类别/二元分类任务。然而，这种逐个剖析策略显然忽略了剖析任务之间的隐含相关性，从而导致性能下降。为了解决这个问题，我们首次尝试将这个问题形式化为一个多标签学习任务。
因此，我们开发了一个统一的多源多标签学习框架(MSML)，该框架很好地利用语义丰富的功能和标签来提高在线游戏的用户档案。
具体来说，我们首先引入了一个多源用户表示网络，该网络利用在线游戏中的多源数据来获取信息丰富的用户表示。随后，为了处理多个标签，我们提出了一种新的基于嵌入的多标签网络，该网络由两个具有解纠缠潜在空间的变分自编码器组成。请注意，我们的框架可以通过一种新颖的双塔设计来克服现有方法的局限性，即对特性和标签都使用一个耦合解码器，从而保证训练和测试阶段的一致性。在6个公开的多标签数据集和一个来自Justice的真实网络游戏数据集上进行的广泛实验表明，所提出的框架优于目前最先进的基线方法。
此外，我们提出的框架已经成功地部署在几款在线游戏中，在多标签用户分析方面产生了显著的提升。
论文地址
https://ieeexplore.ieee.org/abstract/document/9767715/
