本文是作者参与KDD Cup 2013作者论文识别挑战赛的总结，主要介绍了特征工程的几个方面，包括字符串距离计算、合作者信息、期刊会议年份、关键词匹配等，并尝试了多种分类模型的融合，但最终成绩停留在0.9788，强调了特征选择的重要性。
比赛地址：http://www.kaggle.com/c/kdd-cup-2013-author-paper-identification-challenge
大概也折腾了一个多月吧，从最开始的兴奋到后面的折腾不动，失望，最后来总结一下。
开始阶段完全小白，最好入手的办法用着basicline的代码，添加一两个新的特征，最后就折腾一下模型，这里说一下自己用的特征。
1. 字符串距离
首先在paperauthor里面是又噪音的，同一个（authorid,paperid）可能出现多次，我做的是把同一个（authorid,paperid）对的多个name和多个affiliation合并起来。例如
aid,pid,name1,aff1
aid,pid,name2,aff2
aid,pid,name3,aff3
得到aid,pid,name1##name2##name3,aff1##aff2##aff3,“##”为分隔符。由paperauthor里可以知道论文的name和affiliation，另一个方面我们可以根据（authorid,paperid）对中的authorid到author表里找到对应的name和affiliation，假设当前的作者论文对是(aid
最低0.47元/天 解锁文章
扫一扫
2833
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
