-
任务描述 商品分享是用户在电商平台中主要的社交互动形式，商品分享行为包含了用户基于商品的社交互动偏好信息，用户的商品偏好和社交关系随时间变化，其基于商品的社交互动属性也随时间改变。本任务关注社交图谱动态链接预测问题，用四元组 (u, i, v, t) 表示用户在t (time) 时刻的商品分享互动行为，其中i (item) 标识特定商品，u (user) 表示发起商品链接分享的邀请用户，v (voter) 表示接收并点击该商品链接的回流用户。因此在本任务中链接预测指的是，在已知邀请用户u，商品i和时间t的情况下，预测对应回流用户v。
-
任务目标 针对社交图谱动态链接预测，参赛队伍需要根据已有动态社交图谱四元组数据，对于给定u，i，t，对v进行预测。
- Rank:
- 初赛: 37 / 805
- 复赛: 20 / 805
- 评价指标: Mean Reciprocal Rank(MRR)
- 模型选型(线下验证)
| Model | MRR |
|---|---|
| GCN(特征随机生成) | 0.03 |
| GCN(实体嵌入) | 0.08 |
| GCN(实体嵌入, 去ReLU和Linear) | 0.10 |
| 训练集分享次数最多top5 | 0.09 |
| TransE | 0.14 |
| SimpLE | 0.18 |
| DisMult | 0.18 |
- CompGCN由于算力不支持, 放弃
- Node2Vec、DeepWalk等GE模型线下分数很差,
- MF召回模型线下表现很差
- 模型优化
- 节点和边id数量处于一个量级
- 时间怎么处理
- 用户和物品特征怎么融合
| 提升方法 | MRR |
|---|---|
| 关系特征GES[1] | ⬆ 0.04 |
| 用户特征GES | ⬇⬇⬇ |
| 验证集加入训练 | ⬆ 0.05 |
| Ranking Average Ensemble | ⬆ 0.02 |
| 负采样时提高头节点替换概率 | ⬆0.00x |
| Margin Ranking Loss | ⬆0.00x |
| 时间加权损失函数 | - |
- 遇到的问题
1. 时间特征没有用上，基本没有时间去探索更复杂的用户与时间特征的做法
2. EGES的效果相比GES要更差，也许是因为该数据集上线性层参数也比较难学习——使用Embedding作为输入时，线性层意义不大
3. u2x等召回基本方法可以尝试使用，但是没有时间深入挖掘
[1] Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba
[2] Embedding Entities and Relations For Learning And Inference In Knowledge Bases
[3] Translating Embeddings for Modeling Multi-relational Data