Awesome

IJCAI-18 阿里妈妈搜索广告转化率预估rank41方案

队名： 真香

复赛最终成绩：0.13953 排名 41/5204

文件说明

data_preprocess.py: 读取原始文件,预处理后生成基础特征文件

gen_click_count_feat.py: 生成用户、商品基础点击统计特征

gen_duplicate_click_feat.py: 生成用户重复点击统计、时差特征

gen_mean_value_feat.py: 生成均值统计特征

gen_item_ctr_feat.py: 生成转化率特征

train.py: 模型训练与预测

主要特征（按提升大小排序）

重复点击特征

　　因为参加过去年的腾讯赛，将其中重复点击的trick思路应用到这个赛题，很自然能够想到可以对用户重复点击商品、品牌、类别、商店、城市、页面等进行挖掘，参考这里分享的方案，我们对这部分数据标记了点击位置、与首次点击时差、与最后一次点击时差等特征，这一部分特征提升大于3个千分点。

点击次数\个数统计特征

　　原始特征主要包括商品、用户、商店三部分，从不同的时间粒度（当天、小时、分钟）统计了用户和商品\商店交互、以及用户和商品的各种的cumcount、count、nunique等聚合特征，这部分特征提升大于2个千分点。

均值特征

　　用户、商品、商店属性均值，比如用户点击的商品价格、销量均值，商品\商店每天活跃用户均值等。这部分特征想法来自于这里。

转化率特征

　　对id类特征item_id、item_brand_id、item_city_id、shop_id统计转化率，由于6号的转化率较低，只选取了5号之前的6天做统计，并对转化率做了平滑处理，平滑前后相差1个万分点；尝试过加入用户转化率，但没有提升，可能是普遍点击次数较少的原因；关于组合特征转化率，尝试过但没有效果；关于滑窗，尝试过切分7号前几个小时用于统计，效果不理想。

其他特征

　　context_timestamp是用户的搜索时间，对用户同一搜索进行挖掘；对7号之前的点击统计；对商品属性间做除法得到sale_by_collect、sale_by_pv、collect_by_pv等；商品实际property和预测property之前的Jaccard相似性等；这部分特征提升相对没那么明显，没有整理出来，供参考吧。

数据划分与特征筛选

数据划分

　　我们的特征用全部数据训练得到的线上均值大概是0.039，虽然均值和线上差距不大（我们测过线上的平均转化率和小时转化率，平均转化率是0.035），但是预测出的小时转化率趋势是下降的，与线上趋势不符；后来发现仅使用七号训练得到的线上结果虽然均值高很多，但趋势与实际的更加接近，而且考虑到七号数据分布差异太大，所以后期我们选择仅用7号进行训练，用11点做线下验证，可保证线上线下一致。线上结果队友Seaty根据测的线上均值进行了后处理。

特征筛选

　　这方面并没有很多经验，因为复赛数据只用了第七天训练，所以训练数据不是很大，使用lightgbm默认的0.1学习率得到线下验证结果大概在30秒以内，所以能很快得到新特征的验证效果；当然在前期因为使用了全部数据训练，所以也使用过lgb的特征weight和gain重要性对特征做一些增删；增加特征前可通过均值方差分析特征在线上线下分布是否一致。

模型训练

　　模型方面乏善可陈，主要使用的是lightgbm,队友Seaty尝试过FFM, 但表现远落后于lightgbm，可能的原因是用户点击次数太少，用户与商品特征组合过于稀疏，模型无法有效训练，所以最终仅将FFM用于生成stacking特征，同时也采用了全部数据训练得到第七天的stacking特征，stacking第二层同样采用的是lightgbm; 由于模型缺乏多样性，最终融合只取得2个万分点的提升; 关于stacking,这方面的内容可参考这里 。

总结

　　复赛初期使用的全部数据训练，最高排名第5，有点盲目自信了，没有从数据分布出发去冷静分析训练方式，在用全部数据和七号数据训练两者间摇摆不定，浪费了多次提交机会；由于缺乏完整的比赛经验，比赛中没有做合理的阶段性任务划分，效率不高。
　　最后，感谢我的大佬队友Seaty全程carry，learn a lot from you !