基于图的编码在NBA薪酬预测中的价值

为职业运动员的市场估值是一项困难的任务，由于来年间表现和位置的大量波动。在美国职业篮球联盟（NBA），解决这一问题的直接方法是构建表格数据集并使用监督式机器学习根据球员当年的表现预测其薪酬。对于年轻球员，其合同主要基于草案位置，这种方法效果良好，但对于资深球员或那些薪酬位于高分布尾部的球员却可能失败。本文表明，通过构建包含场内外数据的知识图，嵌入该图到向量空间，并将该向量纳入表格数据中，能够让监督式学习更好地理解影响薪酬的因素的格局。我们比较了各种图嵌入算法，并表明此过程对NBA薪酬预测至关重要。