赛题地址：https://tianchi.shuju.aliyun.com/competition/introduction.htm?spm=5176.100065.200879.2.6r6s4g&raceId=231587

第一赛季数据

目录

正式开始做是从十月底开始的，我之前参加了新手赛，而这一次正式赛可以说是真正认真做的一次，中间和队友一起学习了很多，也有小小的收获，不管这次成绩如何，以后还有机会。

数据与评价方式

赛题提供用户在2016年1月1日至2016年6月30日之间真实线上线下消费行为，预测用户在2016年7月领取优惠券后15天以内的使用情况。 使用优惠券核销预测的平均AUC（ROC曲线下面积）作为评价标准。 即对每个优惠券coupon_id单独计算核销预测的AUC值，再对所有优惠券的AUC值求平均作为最终的评价标准。

解决方案

提供数据的区间是2016-01-01~2016-06-30，预测七月份用户领券使用情况，即用或者不用，转化为二分类问题，然后通过分类算法预测结果。首先就是特征工程，其中涉及对数据集合的划分，包括提取特征的区间和训练数据区间。接着就是从特征区间中提取特征，包括用户特征、商户特征、优惠券特征、用户商户组合特征、用户优惠券组合特征。后期在测试区间提取了当天的前后7/3/1天的领券信息（这里面后七天的特征其实是不能应用于工业应用的，因为实际预测中你无法知道后7/3/1天的领券信息），提升较大。最后使用GBDT、RandomForest、LR进行基于rank的分类模型融合

数据划分

最初没有使用数据划分，导致特征中产生数据泄露，以至于在训练数据上效果很好，线下测试也还不错，在线上表现确差强人意，后来划分了之后有明显提升。

并没有划分多个训练集，这一点是要改进之处。

特征工程

主要有五大特征类：用户特征、商户特征、优惠券特征、用户商户组合特征、用户优惠券组合特征，赛题包括online和offline的数据，由于里面只有部分用户重合，商户优惠券等并未有重合，个人臆测线上应该是淘宝天猫的购买消费数据，有一定关联，但关系微弱，因此只向其中提取了用户特征。而offline数据集就提取了所有五个特征类。一下是各部分特征：

• 用户特征：u
  • 线下领取优惠券但没有使用的次数 u1
  • 线下普通消费次数 u2
  • 线下使用优惠券消费的次数 u3
  • 线下平均正常消费间隔 u4
  • 线下平均优惠券消费间隔 u5
  • u3/u1 使用优惠券次数与没使用优惠券次数比值 u6
  • u3/(u2+u3) 表示用户使用优惠券消费占比 u7
  • u4/15 代表15除以用户普通消费间隔，可以看成用户15天内平均会普通消费几次，值越小代表用户在15天内普通消费概率越大 u8
  • u5/15 代表15除以用户优惠券消费间隔，可以看成用户15天内平均会普通消费几次，值越大代表用户 在15天内普通消费概率越大 u9
  • 领取优惠券到使用优惠券的平均间隔时间 u10
  • u10/15 表示在15天内使用掉优惠券的值大小，值越小越有可能，值为0表示可能性最大 u11
  • 领取优惠券到使用优惠券间隔小于15天的次数 u12
  • u12/u3 表示用户15天使用掉优惠券的次数除以使用优惠券的次数，表示在15天使用掉优惠券的可能，值越大越好。 u13
  • u12/u1 F014 表示用户15天使用掉优惠券的次数除以领取优惠券未消费的次数，表示在15天使用掉优惠券的可能，值越大越好。 u14
  • u1+u3 领取优惠券的总次数 u15
  • u12/u15 F016 表示用户15天使用掉优惠券的次数除以领取优惠券的总次数，表示在15天使用掉优惠券的可能，值越大越好。 u16
  • u1+u2 一共消费多少次 u17
  • 最近一次消费到当前领券的时间间隔 u18
  • 最近一次优惠券消费到当前领券的时间间隔 u19
  • 用户当天领取的优惠券数目 u20
  • 用户前第i天领取的优惠券数目 u20si
  • 用户后第i天领取的优惠券数目 u20ai
  • 用户前7天领取的优惠券数目 u21
  • 用户前3天领取的优惠券数目 u22
  • u22/u21 u23
  • u20/u22 u24
  • 用户后7天领取的优惠券数目 u25
  • 用户后3天领取的优惠券数目 u26
  • u26/u25 u27
  • u20/u26 u28
  • 用户训练、预测时间领取的优惠券数目 u29
  • 用户当天领取的不同优惠券数目 u30
  • 用户前第i天领取的不同优惠券数目 u30si
  • 用户后第i天领取的不同优惠券数目 u30ai
  • 用户训练、预测时间领取的不同优惠券数目 u31
  • 按照7/4/2分解训练、预测时间，提取此段窗口时间的特征
  • 用户7/4/2天领取的优惠券数目 u32_i
  • 用户7/4/2天所领取的优惠券优惠率r1/r2/r3/r4排名 u_ri_ranki
  • 用户7/4/2天所领取的优惠券优惠率r1/r2/r3/r4排名 u_ri_dense _ranki
  • u32_4/u32_7 u33
  • u32_2/u32_4 u34
  • u32_2/u32_7 u35

  • u20/u32_2 u36

  • 线上领取优惠券未使用的次数 action=2 uo1
  • 线上特价消费次数 action=1 and cid=0 and drate="fixed" uo2
  • 线上使用优惠券消费的次数 uo3
  • 线上普通消费次数 action=1 and cid=0 and drate="null" uo4
  • 线上领取优惠券的次数 uo1+uo3 uo5
  • uo3/uo5 线上使用优惠券次数除以线上领取优惠券次数，正比 uo6
  • uo3/uo4 线上使用优惠券次数除以线上普通消费次数，正比 uo7

  • uo2/uo4线上特价消费次数除以线上普通消费次数 uo8

  • 加入训练预测时间前一个月的窗口特征

  • 线下领取优惠券但没有使用的次数 uw1
  • 线下普通消费次数 uw2
  • 线下使用优惠券消费的次数 uw3
  • 线下平均正常消费间隔 uw4
  • 线下平均优惠券消费间隔 uw5
  • uw3/uw1 使用优惠券次数与没使用优惠券次数比值 uw6
  • uw3/(uw2+uw3) 表示用户使用优惠券消费占比 uw7
  • uw4/15 代表15除以用户普通消费间隔，可以看成用户15天内平均会普通消费几次，值越小代表用户在15天内普通消费概率越大 uw8
  • uw5/15 代表15除以用户优惠券消费间隔，可以看成用户15天内平均会普通消费几次，值越大代表用户在15天内普通消费概率越大 uw9
  • 领取优惠券到使用优惠券的平均间隔时间 uw10
  • uw10/15 表示在15天内使用掉优惠券的值大小，值越小越有可能，值为0表示可能性最大 uw11
  • 领取优惠券到使用优惠券间隔小于15天的次数 uw12
  • uw12/uw3 表示用户15天使用掉优惠券的次数除以使用优惠券的次数，表示在15天使用掉优惠券的可能，值越大越好。 uw13
  • uw12/uw1 F014 表示用户15天使用掉优惠券的次数除以领取优惠券未消费的次数，表示在15天使用掉优惠券的可能，值越大越好。 uw14
  • uw1+uw3 领取优惠券的总次数 uw15
  • uw12/uw15 F016 表示用户15天使用掉优惠券的次数除以领取优惠券的总次数，表示在15天使用掉优惠券的可能，值越大越好。 uw16

  • F01+F02 一共消费多少次 uw17

• 商户特征：m
  • 商户一共的消费笔数：m0
  • 商户优惠券消费笔数：m1
  • 商户正常的消费笔数：m2
  • 没有被使用的优惠券: m3
  • 商户发放优惠券数目：m3+m1 m4
  • 商户优惠券使用率：m1/m4 m5
  • 商户在训练、预测时间发行的优惠券数目 m6
  • 商户当天发行的优惠券数目 m7
  • 商户在训练、预测时间有多少人在此店领券 m8
  • 商户在当天有多少人在此店领券 m9
  • 按照7/4/2分解训练、预测时间，提取此段窗口时间的特征
  • 7/4/2天此商店优惠券发放数目 m10_i
  • m9 / m10_7 m11
  • m9 / m10_4 m12
  • m9 / m10_2 m13
  • m10_2 / m10_4 m14

• 优惠券特征:c
  • 折扣类的优惠券折扣率 r1
  • 满减类优惠券满减金额 r2
  • 满减类优惠券减的金额 r3
  • 满减类优惠券优惠率 (r2-r3)/r2 r4
  • c1+c2 此优惠券一共发行多少张 c0
  • 此优惠券一共被使用多少张 c1
  • 没有使用的数目 c2
  • c1/c0 优惠券使用率 c3
  • 优惠力度 c5
  • 优惠力度在当天所领取优惠券里面排名 c5_rank
  • 优惠力度在当天所领取优惠券里面排名 c5_denserank
  • 优惠力度在当天同一店家所领取优惠券里面排名 c5_rankm
  • 优惠力度在当天所领取优惠券里面百分比排名 c5_rankp
  • 优惠力度在当天同一店家所领取优惠券里面百分比排名 c5_rankmp
  • 此优惠券在训练、预测时间发行了多少张 c6
  • 此优惠券在当天发行了多少张 c7
  • 领券当天周几 c8
  • 领券当天是否周末 c9 c8,c9去掉效果更好了。。。。
  • 此优惠券在当天被多少人领过 c10
  • 此优惠券在训练、预测时间被多少个人领过 c11
  • 此优惠券最后一次领券时间到此领券时间的间隔 c12
  • 此优惠券最后一次消费时间到此领券时间的间隔 c13
  • 按照7/4/2分解训练、预测时间，提取此段窗口时间的特征
  • 7/4/2天此优惠券发放数目 c14_i
  • c10 / c14_7 AS c15
  • c10 / c14_4 AS c16
  • c14_2 / c14_4 AS c17
  • c10 / c14_2 AS

• 用户和商户组合特征:um
  • 用户在商店总共消费过几次 um0
  • 用户在商店使用优惠券几次 um1
  • 用户在商店领取优惠券未消费次数 um2
  • 用户在商店普通消费次数 um3
  • um1/(um1+um2) 用户在此商户优惠券使用率 um4
  • um0/(u2+u3) 值大表示用户比较常去的商户 um5
  • um1/u3 值大表示用户比较喜欢在那个商户使用优惠券 um6
  • 用户在训练、预测时间在此商店领取的优惠券数目 um7
  • 用户当天在此商店领取的优惠券数目 um8
  • 按照7/4/2分解训练、预测时间，提取此段窗口时间的特征
  • 7/4/2天此用户在此商店领取的优惠券发放数目 um9_i
  • um8 / um9_7 um10
  • um8 / um9_4 um11
  • um8 / um9_2 um12
  • um9_2 / um9_4 um13

• 用户和优惠券组合特征:uc
  • 用户领取的优惠券数目 uc0
  • 用户领取未消费的优惠券数目 uc1
  • 用户消费了此优惠券的数目 uc2
  • uc02/uc0 uc3
  • 用户在此期间领取了多少张此优惠券 uc4 partiton by uid, cid
  • 用户在当天领取了多少张此优惠券 uc5
  • 领取优惠券时间-最后一次使用优惠券时间 uc6

  • uc6/ u5 uc7 正比

  • 用户前第i天领取的此优惠券数目 uc5si
  • 用户后第i天领取的此优惠券数目 uc5ai
  • 用户前7天领取的此优惠券数目 uc8
  • 用户前3天领取的此优惠券数目 uc9
  • uc9/uc8 uc10(若u21为0，则为1)
  • uc4/uc9 uc11
  • 用户后7天领取的此优惠券数目 uc12
  • 用户后3天领取的此优惠券数目 uc13
  • uc13/uc12 uc14
  • uc4/uc13 uc15
  • 按照7/4/2分解训练、预测时间，提取此段窗口时间的特征
  • 7/4/2天此用户在此商店领取的优惠券发放数目 uc16_i

  • 用户前后2/4/7领取的优惠券优惠率排名 uc17_i

算法及模型融合

最初使用RF、GBDT两种模型，GBDT效果优于RF，后期使用了多个GBDT和XGBoost，分别使用不同的参数、不同的正负样本比例以rank的方式进行多模型的融合，效果有微小提升，但是由于计算量的限制没有进一步展开。

模型融合

由于评估指标是计算每个coupon_id核销预测的AUC值，然后所有优惠券的AUC值平均作为最终的评估指标，而rank融合方式对AUC之类的评估指标特别有效，所以采用此方法，公式为：

$\sum\limits_{i=1}^{n}\frac{Weight_i}{Rank_i} $

其中$n$表示模型的个数， $Weight_i$表示该模型权重，所有权重相同表示平均融合。$Rank_i$表示样本在第i个模型中的升序排名。它可以较快的利用排名融合多个模型之间的差异，而不需要加权融合概率。

应用

基于参数，样本(采样率)，特征获得多个模型，得到每个模型的概率值输出，然后以coupon_id分组，把概率转换为降序排名，这样就获得了每个模型的$Rank_i$，然后这里我们使用的是平均融合，$Weight_i=1/n$，这样就获得了最终的一个值作为输出。

线下评估

虽然这次比赛每天有四次评测机会，但是构建线下评估在早期成绩比较差的时候用处很大，早期添加特征之后线下评估基本和线上的趋势保持一致（例如在添加了Label区间的领券特征之后，线下提升十多个百分点，线上也是一致），对于新特征衡量还是有参照性的。后期差距在0.1%级别的时候，就没有参照性了。

线下评估在训练集中采样1/3 or 1/4 or 1/5做线下评估集合，剩下的做为训练集训练模型，并将评估集合中全0或者全1的优惠券ID去掉，然后使用训练的模型对评估集合预测，将预测结果和实际标签作异或取反（相同为1，不同为0），然后算出每个优惠券ID的AUC，最后将每个ID的优惠券AUC取均值就得到最终的AUC。

回顾

这一次比赛学习了很多，包括分布式平台ODPS和机器学习平台实现数据清洗，特征提取，特征选择，分类建模、调参及模型融合等，学习摸索了一套方法，使自己建立了信心，明白还有很多需要学习的地方，之前一直对于算法都是当做一个黑匣子，只会熟悉输入输出直接调用，要深入了解算法，才能突破目前的瓶颈有所提高。
同时我觉得大家一起探讨交流也很重要，一个人做着做着就容易走偏，纯属个人看法。

CSDN博客链接：http://blog.csdn.net/shine19930820/article/details/53995369

授人以鱼不如授人以渔：
参考 第一名队伍：【诗人都藏在水底】：GitHub地址

python sklearn数据预处理：http://blog.csdn.net/shine19930820/article/details/50915361
广义线性模型--Generalized Linear Models：http://blog.csdn.net/shine19930820/article/details/50997645
交叉验证的Java weka实现，并保存和重载模型：http://blog.csdn.net/shine19930820/article/details/50921109
机器学习知识图谱：http://lib.csdn.net/base/machinelearning/structure