kdd cup 2019
比赛简介:
任务1:推荐最佳交通方式
任务描述:给定用户的一些信息,预测用户使用何种最佳交通方式由O(起点)到D(终点)
数据描述:
profiles.csv:
属性pid:用户的ID;
属性p0~p65:用户的个人信息(如身高,年龄,职业等)
训练集(2018.10.1~2018.11.30两个月的数据):
train_clicks.csv:
属性sid:用户的会话ID,如用户登陆一个app去使用就会有一个会话ID(可以百度了解);
属性click_time: 用户点击某种方案的时间;
属性click_mode:用户选择了某种出行方式(****这是训练集的label标签****)
train_plans.csv:
属性sid:用户的会话ID,如用户登陆一个app去使用就会有一个会话ID(可以百度了解);
属性plan_time:用户准备查询如何去目的点的时间;
属性plans:这个信息是基于百度地图推荐的方案(包括距离,需要的时间,价格,交通方式),注:交通方式可能是某些组合,如taxi-bus
train_queries.csv:
属性sid:用户的会话ID,如用户登陆一个app去使用就会有一个会话ID(可以百度了解);
属性pid:用户的ID;
属性req_time:和plan_time几乎一样,用户查询的时间(并不是完全一样的,有的有一些时间差,猜测可能是手机的网速等问题);
属性o:起点的经纬度;
属性d:终点的经纬度
测试集(2018.12.1~2018.12.7七天的数据):
test_plans.csv:
属性sid:用户的会话ID,如用户登陆一个app去使用就会有一个会话ID(可以百度了解);
属性plan_time:用户准备查询如何去目的点的时间;
属性plans:这个信息是基于百度地图推荐的方案(包括距离,需要的时间,价格,交通方式),注:交通方式可能是某些组合,如taxi-bus
test_queries.csv:
属性sid:用户的会话ID,如用户登陆一个app去使用就会有一个会话ID(可以百度了解);
属性pid:用户的ID;
属性req_time:和plan_time几乎一样,用户查询的时间(并不是完全一样的,有的有一些时间差,猜测可能是手机的网速等问题);
属性o:起点的经纬度;
属性d:终点的经纬度
任务就是根据训练集的数据来训练模型,然后将测试集的特征放入模型,预测每个用户出行的交通选择方式(即训练集中的click_mode属性)
开源代码如下:
2.1 工具包导入
import numpy as npimport pandas as pdimport lightgbm as lgbimport os import seaborn as snsimport matplotlib.pyplot as plt%matplotlib inline import warningswarnings.filterwarnings("ignore") from tqdm import tqdmimport json from sklearn.metrics import f1_scorefrom sklearn.model_selection import StratifiedKFoldfrom sklearn.feature_extraction.text import TfidfVectorizerfrom sklearn.decomposition import TruncatedSVDfrom itertools import productimport ast
2.2 数据读取
path = 'E:/data/data_set_phase1/'train_queries = pd.read_csv(path + 'train_queries.csv', parse_dates=['req_time'])train_plans = pd.read_csv(path + 'train_plans.csv', parse_dates=['plan_time'])train_clicks = pd.read_csv(path + 'train_clicks.csv')profiles = pd.read_csv(path + 'profiles.csv') test_queries = pd.read_csv(path + 'test_queries.csv', parse_dates=['req_time'])test_plans = pd.read_csv(path + 'test_plans.csv', parse_dates=['plan_time'])
3 特征工程
此处我们对所有表格进行合并,这样方便提取表格之间的交互特征,注意因为初赛的数据相对较少,所以我们才合在一起,不然尽量不要做,这样会给机器的内存带来非常大的负担.
3.1 数据集合并
train = train_queries.merge(train_plans, 'left', ['sid'])test = test_queries.merge(test_plans, 'left', ['sid'])train = train.merge(train_clicks, 'left', ['sid'])train['click_mode'] = train['click_mode'].fillna(0).astype(int)data = pd.concat([train, test], ignore_index=True)data = data.merge(profiles, 'left', ['pid'])
3.2 od(经纬度)特征
因为经纬度是组合字符串特征,此处我们对其进行还原,因为o,d本身是有相对大小关系的,我们不再对其进行编码。
data['o_lng'] = data['o'].apply(lambda x: float(x.split(',')[0]))data['o_lat'] = data['o'].apply(lambda x: float(x.split(',')[1]))data['d_lng'] = data['d'].apply(lambda x: float(x.split(',')[0]))data['d_lat'] = data['d'].apply(lambda x: float(x.split(',')[1]))
3.3 plan_time & req_time特征
3.3.1 原始特征
时间信息会影响我们的决定,比如大晚上从A地到B地其实很多人是不会选择步行的,更多的会选择打车之类的,因为太黑了,怕迷路等;而如果是早高峰,而且离公司就几公里的情况, 那么一般就不会打车,因为特别会容易堵车,这个时候大家更喜欢骑自行车.
此处我们提取weekday来标志是周几; hour来标志是当日几点.
time_feature = []for i in ['req_time']:data[i + '_hour'] = data[i].dt.hourdata[i + '_weekday'] = data[i].dt.weekdaytime_feature.append(i + '_hour')time_feature.append(i + '_weekday')
3.3.2 plan_time & req_time差值特征
我们做EDA的时候发现plan_time和req_time并不是完全一样的,有的有一些时间差,我们猜测可能是手机的网速等问题,所以我们做差值来标志用户的手机信号等信息.
data['time_diff'] = data['plan_time'].astype(int) - data['req_time'].astype(int)time_feature.append('time_diff')
3.4 plans特征
plans这个数据集包含的信息非常多,因为这个信息是基于百度地图推荐的。所以毫无疑问是本次比赛的关键之一,我们对其进行展开并提取相关的特征。
此处我发现kdd已经有大佬开源了plans的特征提取关键代码,我感觉很不错,此处我便直接引用,至于其他的特征欢迎去作者的Github下载.
此处关于plans的特征主要可以归纳为如下的特征:
百度地图推荐的距离的统计值(mean,min,max,std)
各种交通方式的价格的统计值(mean,min,max,std)
各种交通方式的时间的统计值(mean,min,max,std)
一些其他的特征,最大距离的交通方式,最高价格的交通方式,最短时间的交通方式等.
data['plans_json'] = data['plans'].fillna('[]').apply(lambda x: json.loads(x))
def gen_plan_feas(data):n = data.shape[0]mode_list_feas = np.zeros((n, 12))max_dist, min_dist, mean_dist, std_dist = np.zeros((n,)), np.zeros((n,)), np.zeros((n,)), np.zeros((n,)) max_price, min_price, mean_price, std_price = np.zeros((n,)), np.zeros((n,)), np.zeros((n,)), np.zeros((n,)) max_eta, min_eta, mean_eta, std_eta = np.zeros((n,)), np.zeros((n,)), np.zeros((n,)), np.zeros((n,)) min_dist_mode, max_dist_mode, min_price_mode, max_price_mode, min_eta_mode, max_eta_mode, first_mode = \np.zeros((n,)), np.zeros((n,)), np.zeros((n,)), np.zeros((n,)), np.zeros((n,)), np.zeros((n,)), np.zeros((n,)) mode_texts = []for i, plan in tqdm(enumerate(data['plans_json'].values)):if len(plan) == 0:cur_plan_list = []else:cur_plan_list = planif len(cur_plan_list) == 0:mode_list_feas[i, 0] = 1first_mode[i] = 0max_dist[i] = -1min_dist[i] = -1mean_dist[i] = -1std_dist[i] = -1max_price[i] = -1min_price[i] = -1mean_price[i] = -1std_price[i] = -1max_eta[i] = -1min_eta[i] = -1mean_eta[i] = -1std_eta[i] = -1min_dist_mode[i] = -1max_dist_mode[i] = -1min_price_mode[i] = -1max_price_mode[i] = -1min_eta_mode[i] = -1max_eta_mode[i] = -1mode_texts.append('word_null')else:distance_list = []price_list = []eta_list = []mode_list = []for tmp_dit in cur_plan_list:distance_list.append(int(tmp_dit['distance']))if tmp_dit['price'] == '':price_list.append(0)else:price_list.append(int(tmp_dit['price']))eta_list
转载于:https://www.cnblogs.com/USTC-ZCC/p/10844448.html
kdd cup 2019相关推荐
- KDD Cup 2019 AutoML Track冠军深兰科技DeepBlueAI团队技术分享 | 开源代码
作者丨罗志鹏 单位丨深兰北京AI研发中心 近日,KDD Cup 2019 AutoML Track 比赛结果出炉,本次赛题是第五次 AutoML 挑战赛,由第四范式.ChaLearn 和微软联合举办, ...
- KDD CUP 2020之Debiasing赛道方案 (Rush)
" 本文介绍了Rush团队在KDD CUP 2020的Debiasing赛道中的解决方案,涵盖了在召回,粗排以及精排阶段的问题思考和总结,并针对核心算法模块给出了清晰的代码实现,全程干货,推 ...
- 图数据的攻与防:智谱AI和biendata联合组织KDD Cup 2020
由智谱 AI 和数据竞赛平台 biendata 联合组织的 KDD Cup 2020 目前已经全面展开.本次比赛采用了创新的赛题和赛制,主题为图数据的攻防.本次比赛奖金 2 万美元. KDD Cup ...
- WSDM Cup 2019自然语言推理任务获奖解题思路
WSDM(Web Search and Data Mining,读音为Wisdom)是业界公认的高质量学术会议,注重前沿技术在工业界的落地应用,与SIGIR一起被称为信息检索领域的Top2. 刚刚在墨 ...
- 哈工大大数据实验_【新闻动态】南京大学PASA大数据实验室在KDD Cup 2020 AutoGraph自动化图数据建模国际挑战赛中荣获第二名...
近期,在素有"数据世界杯"之称的KDD Cup 2020数据挖掘国际大赛AutoML自动化机器学习赛道(AutoGraph自动化图数据建模)中,南京大学PASA大数据实验室代表队P ...
- KDD Cup 2020多模态召回比赛亚军方案与搜索推荐业务的业务应用
ACM SIGKDD(ACM SIGKDD Conference on Knowledge Discovery and Data Mining)是世界数据挖掘领域的顶级国际会议.今年,KDD Cup共 ...
- KDD Cup 2020 Debiasing比赛冠军技术方案及在美团广告的实践
ACM SIGKDD (国际数据挖掘与知识发现大会,简称 KDD)是数据挖掘领域的国际顶级会议. 美团到店广告平台搜索广告算法团队基于自身的业务场景,一直在不断进行前沿技术的深入优化与算法创新.团队的 ...
- 「CSDN年度征文」微软学生大使、VSC中文社区、KDD CUP...2020年,我与技术社区
「年度总结」微软学生大使.VSC中文社区.KDD CUP-2020,我与技术社区 前言: 2020年是难忘的一年.如果用一个词概括2020年的话,我认为是『改变』:于「世界」是,于「我的生活」是,于「 ...
- KDD Cup 2020多模态召回比赛亚军方案与搜索业务应用
ACM SIGKDD(ACM SIGKDD Conference on Knowledge Discovery and Data Mining)是世界数据挖掘领域的顶级国际会议.今年,KDD Cup共 ...
最新文章
- easyui datebox不可编辑设置
- 使用Transact-SQL进行数据导入导出方法详解
- Redhat中通过命令工具和配置文件设置TCP/IP参数的方法
- element里面popover里面的高度_五斗柜的高度一般是多少 五斗柜放在什么位置好
- ArcEngine由点生成TIN
- 【Elasticsearch】es 插件类型
- 统计学习方法(—)——统计学习方法概念
- 多路复用增益,PASTA定理
- Repeater思路整理
- 解决The kernel appears to have died. It will restart automatically问题
- 领导力/行为面试必备技能 - STAR 法则
- 怎么打开产品原型是html,如何打开产品原型图(axure)
- 怎么保存python文件_pycharm怎么保存py文件
- 成都待慕电商:抖音智能推荐常见问题汇总
- Win7安装补丁KB2670838
- Java锁Synchronized对象锁和类锁区别(搬运)
- 手机屏幕 and 分辨率
- Spring事务管理的总结
- 海上平台作业三维虚拟仿真
- 计算机专业学什么语言最能找工作