面向电信行业存量用户的智能套餐个性化匹配模型(top6)

1、赛题链接：面向电信行业存量用户的智能套餐个性化匹配模型

2、赛题任务： 利用已有的用户属性(如个人基本信息、用户画像信息等)、终端属性(如终端品牌等)、业务属性、消费习惯及偏好匹配用户最合适的套餐，对用户进行推送，完成后续个性化服务。

3、数据解读及预处理：

• 多分类任务–>11分类；根据service_type来划分套餐 ，一类8个，另外一类3个（下文图片里面的大宝卡以及腾讯王卡系列）。
• 11个套餐表所对应的卡，通过对1_total_fee进行value_counts和网上套餐比较可以大致推出来。

• 数据预处理---->清洗数据以及对1234_total_fee进行类似3sigma的进行标记。

4、特征工程：

• 对1-2-3-4_total_fee进行min ,max ,std ,mean等操作；最后发现四个月话费的最小值是比较强的特征，从EDA来看对套餐区分是比较明显的。

• 本月流量以及上个月流量的差值特征；并且发现某些用户上个月的流量是一个完整的数值，比方说1024，2048,3072这种数值，对这种用户进行了简单的标记。

• 用当月费用减去超出通话时长的钱。1_total_fee - (service1_caller_time)*0.15
• 计算每个用户的基本费用(base_fee)

• 判断四个月的话费是否是一个整数。比方说套餐36的用户如果账单里面出现了36和36.0的话，那么后者36.0可能是其他base_fee通过开加油包等超出套餐费用叠加上来的。
• 四个月的费用分别groupby(“complaint_fee”)进行count。

5、搭建模型：

模型： 十折的lightgbm模型 + 五折的xgboost模型

xgboost实在是太慢了，没有GPU加成的话貌似要跑差不多一个白天，但是用上GPU精度就降低了。

6、模型融合： 通过林有夕大神分享的投票代码进行融合，有一点收益但是不大。

7、处理：

• 我们队伍是失败了，大概思路就是对模型分不开的两个套餐加一个权重。决赛队伍应该都是有分享的。
• 还有就是植物之前ijcai2018所用过的"食之无味，弃之可惜"，惜的是我们也失败了。

  ---