标签预测那些事

1. 标签预测思路

 

1.1 问题描述

        通过老用户的静态特征(手机品牌、性别、地域、安装的APP列表)，以及用户的兴趣标签tag分数，构造模型预测新用户的兴趣标签tag。

1.2 特征说明及预处理

1. 手机品牌组

原始手机品牌非常杂乱，包括各大厂商的子品牌，共计6W个。

取京东上有售的118个手机品牌，从0-118进行编号，其中0为缺省值。

这部分作为一个特征。

2. 地域组

一共237个地区(包括国外地区)，由于国外地区人数分布比较多，将其保留，并从0-237进行编号，其中0为缺省值。

这部分作为一个特征。

3. 性别组

包括男性、女性、未知，从0-2进行编号，其中0为缺省值。

这部分作为一个特征。

4. applist组

这部分为128个特征。

1.3 样本选择

取一个月活跃度最高的100万用户样本(用户文章曝光数>1000，点击率>0.1)。

模型输入：4组共计131维特征，DT算法对特征是数值型还是类别型不敏感。

模型输出：用户画像中兴趣标签的分数。其中，输出的标签是通过选取最近1个月点击率前5000的tag(选取的tag最小点击为0.183)。

最终输出：预测用户在这5000个tag中最喜欢的分数最高的50个tag，作为用户tag画像。

1.4 模型分析

多标签回归问题，也可作为多标签分类问题处理，但缺点是样本的输出会弱化标签分数为类别。

1.5 模型选择

1. 使用RF作为baseline进行多标签回归预测；

2. xgbo