shusentang / bdc2019

2019**高校计算机大赛——大数据挑战赛 第三名解决方案

2019**高校计算机大赛——大数据挑战赛

鸡你太美（初赛复赛均第三名）解决方案，包含全部代码、文档及答辩PPT

赛题描述：

搜索中一个重要的任务是根据query和title预测query下doc点击率，本次大赛参赛队伍需要根据脱敏后的数据预测指定doc的点击率，结果按照指定的评价指标使用在线评测数据进行评测和排名，得分最优者获胜。

任务分类：

• 短文本匹配
• 点击率预估

数据说明：

train_data.sample是官方给的训练样本示例，数据按列分割，分隔符为”,"，为不带表头的CSV数据格式。数据格式如下：

列名	类型	示例
query_id	int	3
query	hash string，term空格分割	1 9 117
query_title_id	title在query下的唯一标识	2
title	hash string，term空格分割	3 9 120
label	int, 取值{0, 1}	0

注意：提供的样本示例train_data.sample仅为帮助理解赛题以及调通代码，由于样本示例仅为两万行，因此构造的出来的特征意义不大（数据严重泄露）。

其他方案

• 第1名-Progressing
• 第2名-蜗牛本牛
• 第4名-Fah
• 第5名-拯救菜鸟
• 第9名-bestfitting
• 第11名-lili
• 第12名-福建大三本
• 第15名-改革春风吹满地

---

感兴趣就给个star吧:-D

最后感谢两位队友@Han和@hcccccccc

bdc2019's Issues

请问作者转换率特征是如何提取

请问作者利用tfidf对query和title分别提取关键词以后进行了什么操作呢？

点击率特征

您好，我用线下两万数据来做，构造点击率特征，重要度排序排在很后边，而且会严重造成数据泄漏。请问这是因为我是在线下做的缘故吗？线上是不是跟线下差别很大？