Candylx的博客

通过召回的操作， 我们已经大大减少了问题规模， 对于每个用户， 选择出了N篇文章作为了候选集，而且在前面我们也构造了一些特征，目的就是为了让机器学习的model来对其进行学习，然后对测试集进行预测，得到测试集中的每个候选集用户点击的概率，返回点击概率最大的topk个文章，作为最终的结果，所以引入了排序模型，本次选择了三个比较有代表性的排序模型，它们分别是：LGB的排序模型、LGB的分类模型、深度学习的分类模型DIN。然后用了两个简单的模型融合技术，一个是输出结果加权融合，二是Staking融合。 light

由于本人的一些原因（实训）所以没能好好手巧代码，但下去一定会补上的 我的理解就是，基于之前得到的找回结果，会得到一些“用户字典”， 比如对于用户user1， 假设得到的他的召回列表{user1: [item1, item2, item3]}， 我们就可以得到三行数据(user1, item1), (user1, item2), (user1, item3)的形式， 这就是监督测试集时候的前两列特征。而且特征这部分可以做很多事情，比如特征融合、特征相关性分析等…目的只有一个，就是找出强特。 ...

这两天在进行实训，每天安排的满满的，所以近几天停了手头的所有比赛和事，专心在搭建集群配置环境和实训等，等这两天忙过去好好补，实在抱歉 大致解释一些什么是多路召回，所谓的“多路召回”策略，就是指采用不同的策略、特征或简单模型，分别召回一部分候选集，然后把候选集混合在一起供后续排序模型使用，可以明显的看出，“多路召回策略”是在“计算速度”和“召回率”之间进行权衡的结果。其中，各种简单策略保证候选集的快速召回，从不同角度设计的策略保证召回率接近理想的状态，不至于损伤排序效果。如下图是多路召回的一个示意图，在.

EDA部分 心得写在前面吧：总结：通过这次新闻推荐的EDA部分，我懂了一些知识，其实大部分特征都是在可视化的基础上看出来的，所以说可视化非常重要，而且当特征较多时，有很多强特都不是现存的特征，而且有一些特征组合而来，顺便说一下在EDA部分发现的一些东西，就是用户阅读的文章有很强的相关性，这点很明显，还有就是我发现了设置怎样的阈值来定义热门文章以及冷门文章，而且用户点击文章的次数有很大的区分度，后面可以根据这个制作衡量用户活跃度的特征，还有就是文章的点击次数也有很好的区分度，还有就是训练集和测试集的用户id没

心得：总结：这是我第一次接触到推荐类的比赛，感觉眼前焕然一新，因为目之所及，皆为“惊喜”，说来惭愧，弄的时候竟然还有些畏惧，可能是在自己所擅长领域的舒适群带的太久了，之前自己熟悉的是数据挖掘PySpark机器学习等，模型无外乎也就那几种，可我发现这次的和以前的截然不同，甚至连评判标准都不同，甚是心慌（手动捂脸），所幸里面还有很多熟悉的方法，但我没有学过推荐系统基础啊，所以做起来还是很吃力，哈哈，我这两天需要赶紧补补基础，跑完Baseline之后收获也很多，知道了新闻推荐类比赛是个什么流程，也给了我很大启发，