Ayer, Tencent publicidad social universidad algoritmo concurso preliminar pregunta-y-respuesta expertos transmitidos en vivo, recibió mucha atención

Ya sea en el lugar o en línea, los pequeños socios son preguntas muy activas y entusiastas

Nuestros expertos también son pacientes y meticulosos uno por uno para responder

Muchos estudiantes están preguntando sobre el sitio web de la grabación

Vamos a repasar juntos la transmisión en vivo de ayer

El pequeño editor íntimo será la sesión de respuesta experta de ayer de las preguntas frecuentes se han grabado

Los estudiantes no tienen que tomar notas

Por razones de seguridad de datos, todas las características se cifran y no proporcionan correspondencia de identificación, lo que no afecta a la creación de problemas normales.

Un appID es un número cifrado para una aplicación específica. Una aplicación/appID corresponde a su categoría de clasificación, como se detalla en el archivo app_categories.csv.

¿La configuración de la máquina es demasiado baja? Encontrar una mejor máquina, de acuerdo con nuestra autoprueba, configuración de la máquina: memoria 16G, CPU 8 núcleo, debe ser suficiente, especialmente el volumen de datos inicial no es grande, para no ser un problema. De antemano, también proporcionaremos algunas máquinas en la nube Tencent para los estudiantes que necesiten elegir durante la remate.Además, también puede comenzar desde el punto de vista de los modelos de representación de entidades y algorítmicos, comprobar si es necesario optimizarlo, por ejemplo, puede realizar la selección de entidades o cambiar para lograr mejores herramientas.

Las variables de categoría de varios valores se encuentran en casi todas las tareas pCTR/pCVR, como los ID de tráfico, los ID de bits de anuncio, etc. La forma habitual de manejar esto es codificarlo de un solo calor. Por ejemplo, el valor sexual de hombre, mujer, desconocido, se puede codificar como . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Otros tratamientos se mencionarán más adelante en nuestro artículo de línea de base.

En el problema del desensuización, los casos negativos con un tamaño de muestra grande generalmente se pueden reducir (manteniendo el caso positivo intacto) para acelerar el entrenamiento del modelo. Además, para mejorar el efecto, se pueden utilizar diferentes semillas aleatorias para muestrear, entrenar el mismo modelo y, a continuación, integrar el modelo. Puedes consultar el estilo de modelado de Owenzhang en el juego Avito Click Rate Estimation 2. En particular, cabe señalar que el indicador de evaluación de este concurso es logloss, que es sensible a la distribución de la proporción positiva y negativa de la muestra, después del muestreo, cambiando la distribución original de la muestra, generalmente es necesario escalar los resultados de predicción, de modo que esté cerca de la distribución de los datos originales.

En cuanto a la combinación de características, se requiere un análisis específico de cuestiones específicas. Si se trata de una función de identificación, simplemente puede hacer cruces de productos Descartes. En el caso de entidades numéricas, como ciertas estadísticas, puede multiplicar y dividir transformaciones, etc. Además, se recomienda probar modelos como XGBoost y DNN, donde puede aprender mejores combinaciones de características de sus datos.

El sobrefit aquí puede ser en dos casos. Uno, la insistencia entre el efecto offline y el efecto en línea. Dado que los datos son datos de series temporales, la distribución varía con el tiempo y es comprensible que haya una brecha entre el efecto sin conexión y el efecto en línea. Si la tendencia de cambio entre los dos es muy consistente, por ejemplo, hay una mejora fuera de línea, también hay una mejora en la línea, creo que esta es una mejor verificación local. Si las dos tendencias no están de acuerdo, deberá comprobar si el conjunto de entrenamiento local y el conjunto de validación se han creado correctamente, por ejemplo, debido a la división aleatoria. La otra es la insistencia entre el conjunto de entrenamiento local y el efecto del conjunto de validación. Creo que esto es normal, el valor del parámetro de ajuste excesivo de control también debe basarse en el efecto anterior al conjunto de validación para asegurarse de que el modelo en el efecto del conjunto de pruebas. También se mencionan características, porque son datos de series temporales, extracción de características anteriores realmente necesitan ser más cuidadosos, para evitar la aparición de fugas de datos, para evitar esta causa de sobreajuste.

El sitio web de publicidad social de Tencent tiene un centro de aprendizaje（http://e.qq.com/ads/learning）, proporcionar un gran número de materiales relacionados con el negocio publicitario para que todo el mundo los entienda.

En pocas palabras, Tencent Social Ads es un sistema de publicidad dirigido por el usuario que permite a los anunciantes dirigir anuncios a los usuarios que cumplen ciertos criterios, como las etiquetas enriquecidas dirigidas por el usuario que ofrecemos.

Los anunciantes deben crear materiales creativos, seleccionar el espacio publicitario para publicar, rodear las personas y el período de tiempo para publicar, establecer pujas y el presupuesto total, a través de la revisión, puede mostrar anuncios en un período de tiempo preestablecido.

Dado que las plataformas publicitarias son fáciles de obtener exposición de anuncios, registros de clics y los anunciantes están más preocupados por las conversiones, como el comportamiento de activación de aplicaciones en esta pregunta, animamos a los anunciantes a volver a devolver los registros de conversiones a través de nuestro SDK o API, lo que ha demostrado que agregar factores de conversión al modelo de clasificación puede aumentar significativamente el ROI del ANUNCIANTE.

Este será sin duda el caso, pero la cantidad no es grande. Si es un anuncio diferente, todo va a estar bien. Si el mismo anuncio se convierte después de varios clics consecutivos, solo asociamos la conversión con el último clic y, a continuación, destacamos que esta situación será muy rara.

Las competiciones CTR generalmente proporcionan múltiples archivos, datos dispersos alrededor, la operación más común es combinar cada dato. En esta competencia, los múltiples campos de datos proporcionados son básicamente en forma de identificaciones, generalmente un-hot en él, sin la necesidad de limpieza adicional. El desafío son los datos de la aplicación, el número de aplicaciones instaladas por cada usuario es diferente, y cómo convertir a características también es un desafío. Puede consultar el juego TalkingData por encima de Kaggle.

ID características cruzadas, características estadísticas de ID, etc., comúnmente disponibles en la referencia Kaggle antes de Criteo, Avazu, estimaciones de tasa de clics de Avito para escenarios de código abierto para el juego.

Puede ver el título, la estimación de la tasa de conversión de anuncios de la aplicación móvil, es decir, el software en el teléfono inteligente.

La integración del modelo puede dar lugar a mejoras significativas en la mayoría de los casos. Sin embargo, se recomienda dedicar más tiempo al análisis de datos y a la ingeniería de características, una buena característica, no sólo mejorará el efecto de un solo modelo, sino que también la integración del modelo tendrá una mejora mayor. Además, la combinación de características y el ajuste de parámetros adecuados también pueden mejorar el efecto del modelo hasta cierto punto.

FM/FFM es mejor para las características de un gran número de clases de ID dispersas, pero puede depender más de la ingeniería de características (la forma de tejido de la característica de muestra); XGBoost está casi fuera de serie y se ejecuta más rápido. FFM y XGBoost tienen diferentes efectos en escenarios específicos, relacionados con tareas, datos, características y cómo se utilizan, y no he visto cuál es absolutamente universal. En las competiciones de estimación de tasas click-through de criteo y Avazu, las pocas son casi siempre FFM, pero en la posterior competencia de pronóstico de tasa de clics de Avito, la experiencia del ganador Owenzhang es que "XGBoost es mucho mejor que FFM".

El análisis de datos, la ingeniería de características, etc. son más como un arte, relacionados con la experiencia. Se sugiere hacer algunas ideas, referencias y referencias a algunos esquemas existentes.

En primer lugar, el ID de usuario es la identidad única del usuario después del cifrado, no una categoría. Diferentes usuarios tienen características de comportamiento diferentes, por lo que debe haber algún valor. En cuanto a si podemos hacer la agrupación en clústeres de usuarios primero, podemos probarlo nosotros mismos.

El modelo utilizado por los concursantes no está claro aquí. Si LR/DNN, uno-hot es razonable. Si utiliza modelos de árbol como RF/XGBoost, puede utilizar One-hot para que estas entidades de categoría se dividan como entidades numéricas y, a continuación, se dividan. Especialmente si las entidades de categoría tienen más valores, como 100W, puede introducir XGBoost directamente. Por supuesto, hay otras maneras de diseñar mejores características.

La tasa de conversión y las entidades de recuento ya son características relativamente comunes, el efecto no es obvio, puede comprobar si hay un problema cuando se extrae la característica. Dado que la muestra son datos de series temporales con información de tiempo, el factor de tiempo también debe tenerse en cuenta en la extracción de entidades para evitar la fuga de datos. Además, la experiencia con la extracción de características se puede encontrar en Criteo, Avazu, y el concurso de estimación de tasas click-through de Avito, que tiene una amplia variedad de características.

Una forma es usar la lista de instalación de la aplicación del usuario o el flujo de instalación como un documento, y la aplicación como Word, utilizando Bag of Words para construir características. Como alternativa, puede contar la lista de instalación de la aplicación del usuario o el flujo de instalación, utilizando algunas estadísticas como una característica.

Los datos proporcionados por esta competencia son los datos de series temporales, que generalmente se dividen en conjuntos de entrenamiento local y conjuntos de validación por tiempo. Una de las dificultades de este problema es que los datos en los últimos días de la etiqueta de datos de entrenamiento s 0 pueden ser ruidosos debido al retraso en el flujo, en cuyo caso cómo construir un conjunto de validación eficaz es también un desafío para los jugadores a considerar.

Una sugerencia, los datos proporcionan un tiempo de devolución, puede ser un día, dos días pueden fluir la cantidad de datos. Esto le permite analizar las diferencias entre los conjuntos de validación que construye y los datos reales. Otro consejo es que los datos de conversión son proporcionados por los anunciantes y es una pista.

Así es. Los otros seis archivos son todos los datos sobre los usuarios, anuncios y bits de anuncio involucrados en el conjunto de entrenamiento y conjunto de pruebas, que se pueden considerar completos dentro del ámbito de la pregunta.

Todas las muestras son datos de comportamiento reales, no artificiales, y es normal tener muestras duplicadas que deberían ser valiosas.