对“科大讯飞2021丨广告点击率预估挑战赛 Top1方案(附完整代码)_Jack_Yang的博客-优快云博客”的补充。

最新推荐文章于 2022-08-24 23:12:36 发布

原创

最新推荐文章于 2022-08-24 23:12:36 发布 · 2.9k 阅读

29 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #数据挖掘

本文详细介绍了2021年科大讯飞广告点击率预估挑战赛的背景、数据探索与特征工程，包括用户行为分析、时间序列处理、活动业务权重构建等，旨在提供竞赛策略参考和代码示例。

这篇文章的初衷是针对科大讯飞2021丨广告点击率预估挑战赛 Top1方案(附完整代码)_Jack_Yang的博客-优快云博客进行补充。

~~博客的信息量很少，对任务背景的介绍也不太对，说实话令人费解。我想的是能不能写份博客视为补充，更加严谨，也是这份博客的缘由。~~

比赛是讯飞的比赛 2021 iFLYTEK A.I.开发者大赛-讯飞开放平台。大赛已经结束，博主也没能拿到数据，很遗憾只能介绍结合大赛数据格式、代码说明算法设计的思维。

1. 任务背景

广告点击率预估是在线广告交易的核心环节之一，如果说一家公司想知道 CTR（点击率），以确定将他们的钱花在数字广告上是否值得。点击率高表示对该特定广告系列更感兴趣，点击率低可能表明广告可能不那么相关。高点击率表明更多人点击了网站，这有利于在谷歌、必应等在线平台上以更少的钱获得更好的广告位置。

平台展示给用户特定的广告，用户存在点击与不点击两种行为。给定某平台实际广告业务中的用户行为数据，共包含13个用户相关的字段，其中isClick字段表明用户是否会点击广告。

任务目标是通过训练集训练模型，来预测测试集中isClick字段的概率结果，即用户点击平台所推荐广告的概率，以此为依据，表示用户对特定广告感兴趣的程度。

2.数据说明

2.1 数据格式

赛题数据由训练集和测试集组成，包含13个特征字段，6天的数据。其中39万多条作为训练集（7月2-6日），7万多条作为测试集（7月7日），同时会对部分字段信息进行脱敏。

训练集：完整字段的数据（gender中有空NULL，date是排序好的行为时间（一般时序数据都要根据时间排序为timestep，便于diff））

测试集：预测是否点击isClick。

2.2 数据探索

userid的分布是有偏的

import seaborn as sns
from tqdm import tqdm
from sklearn.model_selection import KFold 
import lightgbm as lgbm 

sns.distplot(df_tr_te['user_id'].value_counts())

user_group_i的分布主要集中在1，2，3，4，5。
df_tr_te['user_group_id'].value_counts().plot(kind='bar')

day每天的数据是类似的（day是2~7，这里只给出了6天的数据）
df_tr_te['day'].value_counts().plot(kind = 'bar')

isClick标签分布有些不平衡；
df_tr['isClick'].value_counts().plot(kind = 'bar')
每一天用户的点击率会有些许差异，但大致都在0.06-0.075之间。
df_tr_te.loc[df_tr_te['isClick']!=-1].groupby('day')['isClick'].mean().plot()