目錄

創(chuàng)新互聯(lián)建站專(zhuān)注于企業(yè)成都營(yíng)銷(xiāo)網(wǎng)站建設(shè)、網(wǎng)站重做改版、雙臺(tái)子網(wǎng)站定制設(shè)計(jì)、自適應(yīng)品牌網(wǎng)站建設(shè)、HTML5、商城系統(tǒng)網(wǎng)站開(kāi)發(fā)、集團(tuán)公司官網(wǎng)建設(shè)、外貿(mào)網(wǎng)站建設(shè)、高端網(wǎng)站制作、響應(yīng)式網(wǎng)頁(yè)設(shè)計(jì)等建站業(yè)務(wù)，價(jià)格優(yōu)惠性價(jià)比高，為雙臺(tái)子等各大城市提供網(wǎng)站開(kāi)發(fā)制作服務(wù)。

賽題背景

Task1：比賽報(bào)名

Task2：比賽數(shù)據(jù)分析

1.?用戶屬性分析

---

賽題背景

賽題以預(yù)測(cè)用戶未來(lái)點(diǎn)擊新聞文章為任務(wù)，數(shù)據(jù)集報(bào)名后可見(jiàn)并可下載，該數(shù)據(jù)來(lái)自某新聞APP平臺(tái)的用戶交互數(shù)據(jù)，包括30萬(wàn)用戶，近300萬(wàn)次點(diǎn)擊，共36萬(wàn)多篇不同的新聞文章，同時(shí)每篇新聞文章有對(duì)應(yīng)的embedding向量表示。為了保證比賽的公平性，將會(huì)從中抽取20萬(wàn)用戶的點(diǎn)擊日志數(shù)據(jù)作為訓(xùn)練集，5萬(wàn)用戶的點(diǎn)擊日志數(shù)據(jù)作為測(cè)試集A，5萬(wàn)用戶的點(diǎn)擊日志數(shù)據(jù)作為測(cè)試集B。

Task1：比賽報(bào)名

1. 比賽報(bào)名

2. 下載數(shù)據(jù)

3. 讀取數(shù)據(jù)

（1）讀取articles.csv

顯然，該數(shù)據(jù)包括文章id、該文章對(duì)應(yīng)的文章類(lèi)型id、文章創(chuàng)建時(shí)間、文章字?jǐn)?shù)四列數(shù)據(jù)，共364047行，記錄了364047篇文章的分類(lèi)、創(chuàng)建時(shí)間和文章字?jǐn)?shù)。

（2）讀取articles_emd.csv

該數(shù)據(jù)為364047行，251列，我將其理解為通過(guò)某種手段將每篇文章原文表示成1行250列的嵌入式向量，簡(jiǎn)單看作每篇文章的特征。

（3）testA_click_log.csv

該數(shù)據(jù)共518010行，9列，第一列是用戶id，第二列是該用戶點(diǎn)擊的文章id，第三列是閱讀該文章的時(shí)間，第四列是點(diǎn)擊該文章的環(huán)境（不懂環(huán)境表示什么），第五列是點(diǎn)擊設(shè)備組（不懂設(shè)備組表示什么，是手機(jī)還是電腦還是平板嗎？）第六列是點(diǎn)擊操作系統(tǒng)（感覺(jué)是是windows還是ios還是linux還是android這些），第7列是點(diǎn)擊國(guó)家，第8列是點(diǎn)擊地區(qū)，第9列是點(diǎn)擊來(lái)源類(lèi)型（感覺(jué)類(lèi)似于從網(wǎng)頁(yè)點(diǎn)擊還是聊天窗口點(diǎn)擊還是朋友圈點(diǎn)擊這種），是記錄了不知道5萬(wàn)用戶（賽題說(shuō)明中有說(shuō)總共包括30萬(wàn)用戶，近300萬(wàn)次點(diǎn)擊，從中抽取20萬(wàn)用戶的點(diǎn)擊日志數(shù)據(jù)作為訓(xùn)練集，5萬(wàn)用戶的點(diǎn)擊日志數(shù)據(jù)作為測(cè)試集A，5萬(wàn)用戶的點(diǎn)擊日志數(shù)據(jù)作為測(cè)試集B）在哪個(gè)國(guó)家哪個(gè)地區(qū)通過(guò)XX渠道，在XX環(huán)境，XX設(shè)備組上，用XX操作系統(tǒng)，閱讀了哪篇文章。

（4）train_click_log.csv

點(diǎn)擊日志的訓(xùn)練集，和測(cè)試集A一樣，只不過(guò)有1112623行，比測(cè)試集多1倍左右。

（5）提交數(shù)據(jù)

其中user_id為用戶id,?article_1,article_2,article_3,article_4,article_5為預(yù)測(cè)用戶點(diǎn)擊新聞文章Top5的article_id依概率從高到低排序.

（6）簡(jiǎn)單思考

本賽題的目的是預(yù)測(cè)用戶未來(lái)將點(diǎn)擊的1篇新聞文章（可以根據(jù)概率預(yù)測(cè)5篇），有一個(gè)問(wèn)題就是，已經(jīng)閱讀過(guò)的文章是否默認(rèn)不會(huì)再閱讀了？——或許能簡(jiǎn)單提高一下正確率。

這36萬(wàn)篇文章有字?jǐn)?shù)、類(lèi)型、創(chuàng)建時(shí)間和嵌入式向量4個(gè)特征，用戶閱讀文章肯定大部分都是同類(lèi)的，和類(lèi)型有關(guān)，也有可能和字?jǐn)?shù)有關(guān)，嵌入式向量個(gè)人感覺(jué)其實(shí)和類(lèi)型差不多，但是其表示的信息比文章類(lèi)型豐富的多，因此若能利用上肯定能大幅度提高正確率。至于創(chuàng)建時(shí)間的話，用于閱讀某篇文章肯定是在這個(gè)文章發(fā)布后，因此如何在模型中利用文章創(chuàng)建時(shí)間和用戶閱讀時(shí)間是需要考慮的。文章一經(jīng)發(fā)布，被閱讀的人越多，則更有可能被更多的人閱讀是顯然的。

Task2：比賽數(shù)據(jù)分析 1.?用戶屬性分析

（1）訓(xùn)練集與測(cè)試集中分別有多少用戶

可以看到，訓(xùn)練集共有ID為0~199999的用戶共20w人；測(cè)試集共有ID為200000~249999的用戶共5w人。?

（2）訓(xùn)練集和測(cè)試集用戶城市分布

訓(xùn)練集和測(cè)試集用戶分布的城市范圍都是一樣的，都是1~11這11個(gè)城市。繪制出訓(xùn)練集20w用戶的城市分布，由于點(diǎn)數(shù)太多，很難看出什么，大概能看出大多數(shù)人都在1、10、11城市點(diǎn)擊過(guò)。

隨機(jī)抽取1000個(gè)用戶，繪制散點(diǎn)圖， 發(fā)現(xiàn)分布在其他城市的用戶很少。

因此查看分布在各個(gè)城市的用戶數(shù)目， 城市1~11的用戶分別為192713, 348, 277, 203, 227, 412, 232, 509, 470, 3493, 1906，顯然，用戶主要分布在城市1，且遠(yuǎn)大于其他城市，單一用戶可能存在多個(gè)城市瀏覽的情況。

（3）平均每個(gè)用戶會(huì)點(diǎn)擊多少個(gè)文章

你是否還在尋找穩(wěn)定的海外服務(wù)器提供商？創(chuàng)新互聯(lián)www.cdcxhl.cn海外機(jī)房具備T級(jí)流量清洗系統(tǒng)配攻擊溯源，準(zhǔn)確流量調(diào)度確保服務(wù)器高可用性，企業(yè)級(jí)服務(wù)器適合批量采購(gòu)，新人活動(dòng)首月15元起，快前往官網(wǎng)查看詳情吧

文章名稱(chēng)：【打卡】零基礎(chǔ)入門(mén)推薦系統(tǒng)-新聞推薦-創(chuàng)新互聯(lián)
文章URL：http://jinyejixie.com/article32/ccscpc.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供品牌網(wǎng)站設(shè)計(jì)、網(wǎng)站導(dǎo)航、企業(yè)建站、軟件開(kāi)發(fā)、網(wǎng)站策劃、用戶體驗(yàn)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)