腾讯2018广告算法大赛思路解析 100行代码带你上0.73

2018腾讯广告算法大赛总结 这是本人写的第一篇博客,小白一枚,如有错误的地方,欢迎大佬们批评指教。首先这次的竞赛让人受益匪浅,那庞大的数据量,让人感叹这是一场有钱人的游戏。感谢学校的服务器,几乎没休止的转了一个多月,哈哈哈。虽然最后成绩不咋地,但是这次成长还是很大的,特此总结以下经验。问题描述这次比赛的任务是寻找相似人群,其实就可以看成是CTR问题。关注官方竞赛群一般只要是比较正式的比赛都会有官方的交流群,大家在这里交流,同... 阅读详情

个人公众号,欢迎关注

YouChouNoBB

比赛报名地址:algo.qq.com/person/mobile/landingPage?from=dsbryan

由于本次比赛我属于内部员工不得参赛,所以我尽量写一些思路解析,为大家提供一个baseline

github:

https://github.com/YouChouNoBB/2018-tencent-ad-competition-baseline

1.首先处理4个G的用户特征

    因为数据太大,而且不是能直接pandas读取的格式,所以需要做格式转换,用dict的方式来初始化DataFrame

2.拼接用户特征,广告特征

   训练数据中负样本的标签给的是-1,需要先转成0,预测数据的标签置为-1,方便合并后区分数据集。将缺失值填充为 '-1' ,为什么不是数值的-1呢?因为在LabelEncoder的时候需要对数据排序,同时存在string和int类型是无法比较的。所以需要填充为string类型的 ‘-1’。

3.将单取值的离散特征使用稀疏方式one-hot

   为什么要先将数据划分为训练集和测试集呢,因为稀疏的数据是无法分片的,所以只能先划分数据,分别拼接稀疏特征。如果使用pd.get_dummy()来获取onehot特征,生成的数据是可以用来分片的,但是稠密存储是个致命弱点。

    github上很多人问我train_x=train[['creativeSize']] 这句是什么意思,其实creativeSize这个特征是数值特征,不需要进行特别的处理,如果想处理的话可以考虑pd.cut来分段离散化。另一个原因是把这个特征拿出来构造一个新的DataFrame,方便和后面生成的稀疏特征进行拼接。所以使用的是[[]]来取值获得一个DataFrame,而不是[]取值来或者一个Seris

4.将多取值的离散特征使用稀疏方式向量化

   这个操作估计很多同学之前没有见过,一般出现在自然语言处理中,计算TF-IDF,LDA等时候使用,但是同样可以用来生成一个稀疏向量,作为新的特征,同时可以一个特征生成多个特征,比单独的处理更加方便。

    如果65行报错:empty vocabulary; perhaps the documents only contain stop words  ,初始化可以使用CountVectorizer(token_pattern='(?u)\\b\\w+\\b')

5.线下测试

    使用train_test_split划分数据,这行注释掉了。

6.线上提交

    线上预测的时候,模型训练中early_stopping_rounds 这个参数没什么用,参数n_estimatorsxu需要根据线下测试来重新指定。我看到有些同学设置为10000取得了0.74的成绩。。。。

# coding=utf-8
# @author:bryan
# blog: https://blog.youkuaiyun.com/bryan__
# github: https://github.com/YouChouNoBB/2018-tencent-ad-competition-baseline

import pandas as pd
import lightgbm as lgb
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.preprocessing import OneHotEncoder,LabelEncoder
from scipy import sparse
import os

ad_feature=pd.read_csv('../data/adFeature.csv')
if os.path.exists('../data/userFeature.csv'):
    user_feature=pd.read_csv('../data/userFeature.csv')
else:
    userFeature_data = []
    with open('../data/userFeature.data', 'r') as f:
        cnt = 0
        for i, line in enumerate(f):
            line = line.strip().split('|')
            userFeature_dict = {}
            for each in line:
                each_list = each.split(' ')
                userFeature_dict[each_list[0]] = ' '.join(each_list[1:])
            userFeature_data.append(userFeature_dict)
            if i % 100000 == 0:
                print(i)
            if i % 1000000 == 0:
                user_feature = pd.DataFrame(userFeature_data)
                user_feature.to_csv('../data/userFeature_' + str(cnt) + '.csv', index=False)
                cnt += 1
                del userFeature_data, user_feature
                userFeature_data = []
        user_feature = pd.DataFrame(userFeature_data)
        user_feature.to_csv('../data/userFeature_' + str(cnt) + '.csv', index=False)
        del userFeature_data, user_feature
        user_feature = pd.concat([pd.read_csv('../data/userFeature_' + str(i) + '.csv') for i in range(cnt + 1)]).reset_index(drop=True)
        user_feature.to_csv('../data/userFeature.csv', index=False)
train=pd.read_csv('../data/train.csv')
predict=pd.read_csv('../data/test1.csv')
train.loc[train['label']==-1,'label']=0
predict['label']=-1
data=pd.concat([train,predict])
data=pd.merge(data,ad_feature,on='aid',how='left')
data=pd.merge(data,user_feature,on='uid',how='left')
data=data.fillna('-1')
one_hot_feature=['LBS','age','carrier','consumptionAbility','education','gender','house','os','ct','marriageStatus','advertiserId','campaignId', 'creativeId',
       'adCategoryId', 'productId', 'productType']
vector_feature=['appIdAction','appIdInstall','interest1','interest2','interest3','interest4','interest5','kw1','kw2','kw3','topic1','topic2','topic3']
for feature in one_hot_feature:
    try:
        data[feature] = LabelEncoder().fit_transform(data[feature].apply(int))
    except:
        data[feature] = LabelEncoder().fit_transform(data[feature])

train=data[data.label!=-1]
train_y=train.pop('label')
# train, test, train_y, test_y = train_test_split(train,train_y,test_size=0.2, random_state=2018)
test=data[data.label==-1]
res=test[['aid','uid']]
test=test.drop('label',axis=1)
enc = OneHotEncoder()
train_x=train[['creativeSize']]
test_x=test[['creativeSize']]

for feature in one_hot_feature:
    enc.fit(data[feature].values.reshape(-1, 1))
    train_a=enc.transform(train[feature].values.reshape(-1, 1))
    test_a = enc.transform(test[feature].values.reshape(-1, 1))
    train_x= sparse.hstack((train_x, train_a))
    test_x = sparse.hstack((test_x, test_a))
print('one-hot prepared !')

cv=CountVectorizer()
for feature in vector_feature:
    cv.fit(data[feature])
    train_a = cv.transform(train[feature])
    test_a = cv.transform(test[feature])
    train_x = sparse.hstack((train_x, train_a))
    test_x = sparse.hstack((test_x, test_a))
print('cv prepared !')

def LGB_test(train_x,train_y,test_x,test_y):
    from multiprocessing import cpu_count
    print("LGB test")
    clf = lgb.LGBMClassifier(
        boosting_type='gbdt', num_leaves=31, reg_alpha=0.0, reg_lambda=1,
        max_depth=-1, n_estimators=1000, objective='binary',
        subsample=0.7, colsample_bytree=0.7, subsample_freq=1,
        learning_rate=0.05, min_child_weight=50,random_state=2018,n_jobs=cpu_count()-1
    )
    clf.fit(train_x, train_y,eval_set=[(train_x, train_y),(test_x,test_y)],eval_metric='auc',early_stopping_rounds=100)
    # print(clf.feature_importances_)
    return clf,clf.best_score_[ 'valid_1']['auc']

def LGB_predict(train_x,train_y,test_x,res):
    print("LGB test")
    clf = lgb.LGBMClassifier(
        boosting_type='gbdt', num_leaves=31, reg_alpha=0.0, reg_lambda=1,
        max_depth=-1, n_estimators=1500, objective='binary',
        subsample=0.7, colsample_bytree=0.7, subsample_freq=1,
        learning_rate=0.05, min_child_weight=50, random_state=2018, n_jobs=100
    )
    clf.fit(train_x, train_y, eval_set=[(train_x, train_y)], eval_metric='auc',early_stopping_rounds=100)
    res['score'] = clf.predict_proba(test_x)[:,1]
    res['score'] = res['score'].apply(lambda x: float('%.6f' % x))
    res.to_csv('../data/submission.csv', index=False)
    os.system('zip baseline.zip ../data/submission.csv')
    return clf

model=LGB_predict(train_x,train_y,test_x,res)

个人公众号,欢迎关注

YouChouNoBB

2020腾讯广告算法大赛初赛rank6,复赛rank11方案简单分享及代码开源 比赛链接:https://algo.qq.com 以下是Top-20队伍公布名单: 2020腾讯广告算法大赛写在前面赛题分析方案分析特征工程模型的选择特征提取数据增广调整学习率有意思的尝试模型的融合TOP-10方案总结代码开源写在最后 写在前面 先简单介绍下我们队伍的情况,队伍名称:日晨,我们队伍由三名在校生组成,昵称分别为:istar、lyu、wujie(我)。 最终的结果可以说是稍微有点遗憾了,和rank10只相差了0.0002左右的分数,错失了去深圳总部答辩学习(旅游玩耍)的机会哈哈。 因没有参与 阅读详情

相关推荐

腾讯广告算法大赛 | 这是一篇雪中送炭的赛题宝典

** 来鹅厂干大事!腾讯广告技术类岗位高能来袭~ ** 鹅厂招人啦! 腾讯广告是国内领先的营销平台,汇聚了腾讯公司全量的应用场景,拥有核心商业数据、营销技术与专业服务能力。这次招聘主要涉及广告技术算法类岗位,各位技术算法大佬赶快往下了解更多详细信息吧! 岗位招聘 腾讯广告投放平台web前端开发工程师 工作地点: 北京、深圳 岗位职责: 负责广告Web前端产品的设计和开发; 参与系统的需求分...

腾讯广告算法大赛 639

2025 腾讯广告算法大赛 Baseline 项目解析

本文介绍了2025腾讯广告算法大赛Baseline项目,这是一个基于深度学习的序列推荐系统。项目采用PyTorch框架实现,能够建模用户-物品交互序列,并整合多模态特征(文本、图像等embedding)提升推荐效果。核心文件main.py包含完整训练流程:参数解析、数据加载、模型初始化、训练循环和验证评估。模型采用Transformer架构,支持断点续训和推理模式,使用TensorBoard记录训练日志。该Baseline实现了基本的序列推荐功能,包括用户行为序列建模、多模态特征融合和负采样训练策略,为参赛

小嗷犬的博客 7358

2018-tencent-ad-competition-baseline:2018腾讯广告算法大赛baseline 线上0.73

项目介绍 2018腾讯广告大赛baseline 100行代码带你上0.73 比赛报名地址:algo.qq.com/person/mobile/landingPage?from=dsbryan 数据下载: 链接: 密码:gop12b baseline 在内存大于32g的情况下使用,挑整参数,可以上0.74 线上0.74可以参考: 1.首先处理4个G的用户特征     因为数据太大,而且不是能直接pandas读取的格式,所以需要做格式转换,用dict的方式来初始化DataFrame 2.拼接用户特征,广告特征 训练数据中负样本的标签给的是-1,需要先转成0,预测数据的标签置为-1,方便合并后区分数据集。将缺失值填充为 '-1' ,为什么不是数值的-1呢?因为在LabelEncoder的时候需要对数据排序,同时存在string和int类型是无法比较的。所以需要填充为string类型的 ‘

2021腾讯广告算法大赛联手ACM MM,共百万奖金池!

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习,不错过Datawhale干货作者:鱼佬,武汉大学,Datawhale成员写在前面一年一度的算法...

Datawhale 1976

疲劳容器的定义_FKM规范针对非焊接构件疲劳强度评估实例介绍(下篇)

一、写在前面FKM Inside ANSYS软件,该软件是在FKM 规范的基础上,在ANSYS Workbench内开发的进行非焊接构件及焊缝静强度和疲劳强度评估的工具包。基于ANSYS计算模型的信息,在图形用户界面定义相关设置,利用有限元分析计算结果,自动嵌入FKM规范要求的静强度计算和疲劳强度计算流程和方法,自动将应力结果和相关物理量传递给工具包,无须手动预先选择评估的热点区域,可以...

weixin_35925298的博客 1885

win10安装openvpn客户端

进入C:\Program Files\TAP-Windows\bin目录,然后右键用管理员权限执行addtap.bat文件,此文件执行会创建一个网卡。链接:https://pan.baidu.com/s/1KAifTiP7qp1i5ZkfdnfwkA。4.2 进入安装目录的config下新建一个文件夹,将证书文件全部挪进去(不移动.ovpn文件)3.4 将拿到的ssl认证文件放入安装目录的config目录下。然后修改ovpn文件 “./”代表当前路径,第二个链接重复。3.1 一直下一步到这里打上勾。

qq_36200932的博客 3万+

2018腾讯广告算法大赛竞赛记录

  深度学习的火热带动了各种大数据以及算法的发展。第一次参加与kaggle相似大平台的数据挖掘比赛。   从4月18号开始对相关文献进行大量的阅读,仔细研究了腾讯内部员工发布的baseline。在Kaggle比赛过程得到感受就是清晰领会到了ML和DM之间的不同:ML一般从模型或者算法出发,讲的是模型或者算法本身存在的不合理的地方,然后提出新的假设,从而去优化模型或算法。而DM是从数据本身问题本身...

极客园地 3674

非易失存储器读写

24C256、IIC_SCL、IIC_SDA

CT_1104的专栏 2985

CnOpenData 线上招聘网站信息数据

CnOpenData线上招聘网站信息数据库是一个覆盖中国主流招聘平台、时间跨度长、更新频率高的劳动力市场需求侧大数据集合。本数据库汇集了,为学术界和业界提供了一扇实时观察中国劳动力市场动态的窗口。

CnOpenData_wj的博客 2611

生信物种注释软件Kraken2+Bracken的安装与使用

一、软件安装与数据库下载 1.Kraken2安装 Kraken2是一个基于k-mer算法的高精度宏基因组序列分类软件,能够快速的将测序reads进行物种分类。 使用conda一键安装,要先安装好anaconda或者miniconda conda install -y kraken2 输入krakek2 --help 出现如下所示帮助文档,则表示安装成功。 2.Bracken安装 bracken是一种从宏基因组数据中高度准确的计算物种丰度的统计方法。 同样使用conda一键安装 conda install -

jileiqwd的博客 1万+

ASP.NET MVC5 C# Entity Framework 连接 Oracle 数据库

ASP.NET MVC5 C# Entity Framework 连接 Oracle 数据库创建数据库安装 Entity Framework配置数据库连接字符串添加实体模型类添加数据库上下文类添加控制器类运行测试 创建数据库 创建【全局数据库名】为 demodb 的Oracle数据库,用 SYSTEM 用户连接成功后创建【用户名】为 DJIANG 的用户,并授予该用户 DBA 角色 安装 Enti...

idjiang的博客 2537

腾讯广告算法比赛2018代码解析与使用指南

腾讯广告算法比赛2018代码解析与使用指南 本指南旨在帮助开发者快速理解和应用腾讯广告算法比赛2018中的代码。此项目由DiligentPanda维护,在最终轮次中排名第三。我们将从项目结构、启动文件以及配置文件三个方面进行详细介绍。 1. 项目目录结构及介绍 以下是项目的主目录结构和关键文件夹/文件说明: ./src: 包含主要的源代码文件,这是项目的核心部分,很可能存放了模型实现。 ./sc...

gitblog_01166的博客 371

在 STM32CubeIDE 中针对 STM32F407 移植 ThreadX

在 STM32CubeIDE 中针对 STM32F407 移植 ThreadX,不依赖盗版破解的Keil MDK、IAR等软件。

wangyuewu08的博客 3374

从排序到生成:腾讯广告算法大赛 2025 baseline解读

腾讯广告算法大赛提出"生成式推荐"新范式,将推荐系统视为序列生成任务。用户行为序列被token化,推荐转化为next-token预测,实现端到端统一建模。比赛提供百万至千万级工业数据集,包含多模态广告特征(文本/图像embedding)和用户行为序列。Baseline采用Transformer架构建模用户历史序列,通过ANN检索实现推荐,展现了"生成式建模+检索式推理"的工业实践。核心创新在于将推荐系统LLM化,用语义理解替代传统ID驱动,为推荐领域带来范式变革。

清风徐来 1387

机器人控制入门:用SAC算法让机械臂学会抓取(PyBullet仿真教程)

本文详细介绍了如何使用SAC算法在PyBullet仿真环境中训练机械臂完成抓取任务。通过强化学习中的软Actor-Critic(SAC)算法,结合熵最大化机制和双Q网络架构,有效解决了机械臂控制中的探索难题。教程包含环境搭建、算法原理、状态空间设计、奖励函数优化等核心内容,并提供了实用的训练技巧和参数调优指南。

weixin_29091105的博客 360

实例详解C++程序的五大内存分区

本文详细讲述C++程序在运行时的5大内存分区。 下面使用日常开发中的编程实例,详细介绍一下这5个分区,以便大家能更深刻的理解这5大内存分区。 1、栈内存区 栈内存区是我们用的最多的分区,只要有函数的地方都会使用到这个分区。栈分区是用来存放函数参数及函数局部变量值的内存区,是由编译器在编译时自动分配和释放的。 函数中的参数与函数中的局部变量占用的内存是代码执行到函数(进入函数)是分配的,在............

dvlinker的技术专栏 1万+

计算机含金量最高的赛事大全,考研和工作都能加持,这才是该参加的比赛

国内外最重要的计算机赛事汇总,好钢要用在刀刃上!

龙叔的博客 2万+

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

适合程序员参加的比赛!但凡参加一个面试都要简单一倍,计算机竞赛含金量排名!

前言现在计算机相关的赛事数不胜数,但含金量较高的比赛却只有那么几项,做好了你现场就能找到工作,就算是考研也是益处很大,今天给大家总结出来。就别再折腾一些费时费力但又不讨好的比赛了。一、ACM国际大学生程序设计竞赛ACM是美国计算机协会的简称,也是主举办方,赛事名称是International Collegiate Programming Contest,简称ICPC。

QIANDXX的博客 1216

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

KDD Cup 2026 腾讯算法广告大赛:UNI-REC-PCVRHyFormer 源码深度解读

一个统一序列建模与非序列特征交叉的工业级推荐模型 baseline,值得每一位推荐系统工程师精读。腾讯给出的 baseline——,用约 1800 行高质量 Python 代码给出了一个答案。本文逐文件拆解这个 baseline,从数据管道到模型架构到训练策略,力求说清每一处设计意图。

清风徐来 1386

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

国内算法竞赛平台汇总

01 竞赛平台 1. 天池大数据竞赛 网址:https://tianchi.aliyun.com/ 2. DataFountain 网址:https://www.datafountain.cn/ 3.Biendata 网址:https://biendata.com/ 4.DC竞赛 网址:http://www.dcjingsai.com/ ...

fahaihappy的专栏 2万+

腾讯广告算法大赛冠军、Kaggle Grandmaster倾力打造,涵盖Kaggle、阿里天池等赛题...

随着互联网时代的到来,以及计算机硬件性能的提升,人工智能在近几年可以说是得到了爆发式的增长。互联网时代带来了大量的信息,这些信息是名副其实的大数据。另外,性能极佳的硬件也使得计算机的计算能...

图灵教育 322

OCR开源库(文本区域定位和文本识别):github

向AI转型的程序员都关注了这个号

大数据挖掘DT数据分析 1773

腾讯2019广告算法大赛总结

写在前面 第一次参加腾讯的广告赛,这次比赛需要自己提取训练数据和标签,除了维度以外,数据在其他方面都很接近真实业务,我本身也是第一次接触这样的数据。最后初赛B榜成绩85.2,排名第215。接下来做一些主观和客观的总结。 关于数据 今年的数据和往年一样,需要自己先转化为csv或者hdf5格式pandas.DataFrame.to_hdf。 在totalExposureLog.out中提取标签...

yyhhlancelot的博客 3192

第一届腾讯社交广告高校算法大赛经验分享

第一届腾讯社交广告高校算法大赛经验分享 一、简介   去年的5月,我和两个队友参加了《第一届腾讯社交广告高校算法大赛》,在那之前我们实际上完全没有相关的竞赛经验,三个毫无经验的菜鸟暴力提取特征,凭借训练神经网络的经验玄学调参,竟然也获得了还不错的成绩,最终初赛 10/1000,决赛 39/1000,第一次比赛分工比较混乱,每个人都参与了特征工程和模型调参。初赛和决赛都是线下赛,即用自己的机...

songbinxu的博客 1万+

关于腾讯算法大赛

腾讯算法大赛本文参考于我协会前会长吴师兄的文档腾讯社交广告高校算法大赛是面向高校大学生的算法大赛,作为腾讯核心的广告业务单元,腾讯社交广告通过对海量社交数据进行深入分析,构建多样广告场景,与8亿用户连接对话。在大数据、机器学习领域的持续创新投入,驱动社交广告生态发展。本次大赛旨在开放腾讯在社交和数字广告领域的真实数据,面向高校学生征集最智慧的算法解决方案。...

aaLiweipeng的博客 873

2018腾讯广告算法大赛总结/Rank7-复习代码

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_33906657的博客 547
上一篇: 在Python中使用多进程快速处理数据
下一篇: python计算稀疏表示的TF-IDF
Bryan__
博客等级 码龄12年 2500粉丝 166原创
评论 73
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值