GitHub |
您所在的位置：网站首页 › 大数据挑战赛2021 › GitHub |
|
2021中国高校计算机大赛-微信大数据挑战赛Baseline
本次比赛基于脱敏和采样后的数据信息，对于给定的一定数量到访过微信视频号“热门推荐”的用户，根据这些用户在视频号内的历史n天的行为数据，通过算法在测试集上预测出这些用户对于不同视频内容的互动行为（包括点赞、点击头像、收藏、转发等）的发生概率。 本次比赛以多个行为预测结果的加权uAUC值进行评分。大赛官方网站：https://algo.weixin.qq.com/ 1. 环境配置 pandas>=1.0.5 tensorflow>=1.14.0 python3 2. 运行配置CPU/GPU均可 最小内存要求 特征/样本生成：3G 模型训练及评估：6G耗时 测试环境：内存8G，CPU 2.3 GHz 双核Intel Core i5 特征/样本生成：226 s 模型训练及评估：740 s 3. 目录结构 comm.py: 数据集生成 baseline.py: 模型训练，评估，提交 evaluation.py: uauc 评估 data/: 数据，特征，模型 wechat_algo_data1/: 初赛数据集 feature/: 特征 offline_train/：离线训练数据集 online_train/：在线训练数据集 evaluate/：评估数据集 submit/：在线预估结果提交 model/: 模型文件 4. 运行流程 新建data目录，下载比赛数据集，放在data目录下并解压，得到wechat_algo_data1目录 生成特征/样本：python comm.py （自动新建data目录下用于存储特征、样本和模型的各个目录） 训练离线模型：python baseline.py offline_train 评估离线模型：python baseline.py evaluate （生成data/evaluate/submit_${timestamp}.csv） 训练在线模型：python baseline.py online_train 生成提交文件：python baseline.py submit （生成data/submit/submit_${timestamp}.csv） 评估代码: evaluation.py 5. 模型及特征 模型：Wide & Deep 参数： batch_size: 128 emded_dim: 10 num_epochs: 1 learning_rate: 0.1 特征： dnn 特征: userid, feedid, authorid, bgm_singer_id, bgm_song_id linear 特征：videoplayseconds, device，用户/feed 历史行为次数 6. 模型结果 stage weight_uauc read_comment like click_avatar forward 离线 0.657003 0.626822 0.633864 0.735366 0.690416 在线 0.607908 0.577496 0.588645 0.682383 0.638398 7. 相关文献 Cheng, Heng-Tze, et al. "Wide & deep learning for recommender systems." Proceedings of the 1st workshop on deep learning for recommender systems. 2016. |
今日新闻 |
推荐新闻 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |