Skip to content

Latest commit

 

History

History
126 lines (98 loc) · 6 KB

README.md

File metadata and controls

126 lines (98 loc) · 6 KB

Tencent Advertising Algorithm Competition 2020

腾讯广告算法大赛2020

注意的点

  • 尝试新的思路用1/10的数据集跑模型，快速验证模型是否work，摸摸模型的底。

代码结构

.
├── img/
├── data/               # 训练和测试数据
├── Dense_LSTM_embedding_128_dim.py # 对于128维word2vec特征使用Dense和LSTM模型
├── get_user_embed_multiprocess.py  # 使用多进程合并特征(不再使用)
├── LICENSE
├── LightGMB.py         # LightGBM baseline
├── LightGBM.py         # 使用最原始的id作为特征
├── LightGBM_embedding_128_dim.py   # 使用word2vec平均后的128维特征作为特征作为特征输入LGBM
├── LightGBM_embedding_16_dim.py    # 同上，维度变为16
├── LightGBM_gender.py  # 使用word2vec平均后的128维特征作为特征输入LSTM预测gender
├── LightGBM_age.py     # 同上，预测age
├── LSTM_gender.py      # 对于word2vec序列特征输入LSTM预测gender
├── LSTM_age.py         # 同上，预测age
├── mail.py             # 训练完发邮件给自己
├── README.md
├── tf_idf.py              # 提取tf-idf特征
├── word2vec/           # 保存word2vec生成的向量和中间文件
├── word2vec_creaitve_id.py         # 生成用户关于creative id的embedding vector
├── process_data.ipynb  # 将训练集ad.csv、user.csv合并到click_log.csv，测试集中的ad.csv合并到click_log.csv
├── 腾讯广告算法大赛.pdf   # 比赛说明文档
└── tmp                 # 临时文件

TODO

  • 传统机器学习如随机森林、决策树、SVM、朴素贝叶斯、贝叶斯网络、逻辑回归、AdaBoost等 (accuracy < 1.0，随机森林：0.89)
  • 直接对category feature和numeric feature使用全连接网络
  • LightGBM
    • +Voting (accuracy: 0.91)
    • +LightGBM
    • +RNN
  • 处理成序列问题后，使用word2vec生成词嵌入后
    • +LightGBM (accuracy: 0.8)
    • 3个特征+Dense (accuracy: 1.05)
    • 6个128维特征+Conv 1D (accuracy: 1.15)
    • 6个128维特征+Dense (accuracy: 1.20)
    • 6个128维特征+三层LSTM (accuracy: 1.25)
    • 128维序列不做平均处理+LSTM Note: embedding跟随训练变化不是静态即trainable=True (accuracy: 1.32)
  • Transformer
    • 1层Transformer+1头注意力、ffm_dim=128、1层256的LSTM、3输入
    • 1层Transformer+1头注意力、ffm_dim=128、1层256的LSTM、3输入、word2vwc初始化embedding
  • GNN生成user_id creative_id ad_id等的词嵌入后分类
    • +Dense
    • +RNN等序列模型
    • +LightGBM
  • TF-IDF
    • min_df=30 + LightGBM (accuracy: 1.30)
    • +Dense (accuracy: 1.22)
  • DeepFM、DeepFFM等
  • 集成学习：比赛最后阶段使用上分

处理成序列问题

把每个点击的creative_id或者ad_id当作一个词，把一个人90天内点击的creative_id或者ad_id列表当作一个句子，使用word2vec来构造creative_id或者ad_id嵌入表示。最后进行简单的统计操作得到用户的向量表示。这种序列简单聚合导致信息损失，显得是非常的粗糙，需要进一步引入attention等方法。

上述方法可以直接使用传统的GBDT相关模型进行，1.3应该没问题。下面可以考虑序列建模方式。例如RNN/LSTM/GRU，这类方法将用户行为看做一个序列，套用NLP领域常用的RNN/LSTM/GRU方法来进行建模。

Note：这里注意一点，使用embedding，一定要将embedding设置trainable=True，否则效果会非常不好。

TF-IDF

NLP中常用的做法，将用户点击序列中的creative_id或者ad_id集合看作一篇文档，将每个creative_id或者ad_id视为文档中的文字，然后使用tfidf。当然这也下来维度也非常高，可以通过参数调整来降低维度，比如sklearn中的TfidfVectorizer，可以使用max_df和min_df进行调整。

  • df(document frequency)：某一个creative_id在所有用户的creative_id序列出现的频率。
  • min=30训练出的向量维度7万左右，训练时间为3天左右，效果1.30

DeepFM、DeepFFM、xDeepFM

推荐系统常用架构。

GNN

将用户的访问记录看作图，利用图神经网络提取user_id、creative_id、ad_id等的Embedding，利用提取的Embedding输入下游模型，或者将访问记录看作序列输入序列模型。

集成学习

最终融合多个模型使用。

数据探索

给定的三个训练数据文件user.csv ad.csv click_log.csv的文件和外键关系如下：

  • ad.csv中一个素材id只能对应一个广告id，一个广告id对应多个素材id

测试集和训练集中ad.csv中：相同的ID占比：

len(set(ad_test.advertiser_id.values.tolist()) & set(ad_train.advertiser_id.values.tolist()))/len(set(ad_test.advertiser_id.values.tolist()) | set(ad_train.advertiser_id.values.tolist()))
- product_id: 0.73
- creative_id: 0.49
- product_category: 1.0
- advertiser_id: 0.81
- industry: 0.96
  • 训练集用户id最小值和最大值：(1, 900000)
  • 测试集用户id最小值和最大值：(3000001, 4000000)
  • 测试集和训练集共有user_id：1900000，其中训练集900000，测试集1000000
  • 训练集和测试集共有唯一的cretive_id数：2481135

合并训练数据

  • process_data.ipynb将三个文件按照外键合并成一个文件，把process_data.ipynb中的数据路径修改一下即可。

合并之后的数据：

训练记录

  • age和gender是随机的，提交准确率0.66
  • age和gender都为1，提交准确率0.707
  • LightGBM的baseline训练10和50个epoch，提交准确率均为0.91，其中age准确率0.22582、gender准确率0.687186。
  • word2vec处理creative_id product_category industry序列做平均后作为用户embedding送入Dense后accuracy: 1.05
  • word2vec处理creative_id成128维向量，不做平均后输入LSTM，并且设置trainable=True，baseline为1.32