2019JDATA-用户对品类下店铺的购买预测方案及代码分享（亚军）
2019JDATA-用户对品类下店铺的购买预测方案及代码分享（亚军）
写在前面
感谢太白南路点子王、安之zh、小幸运，特别致谢太白南路点子王的各路好点子。
本次比赛将给出完整方案和完整代码，直接学习代码，没有比这个更“硬核”的了。
正文
赛题背景
京东零售集团坚持“以信赖为基础、以客户为中心的价值创造”这一经营理念，在不同的消费场景和连接终端上，在正确的时间、正确的地点为3亿多活跃用户提供最适合的产品和服务。目前，京东零售集团第三方平台签约商家超过21万个，实现了全品类覆盖，为维持商家生态繁荣、多样和有序，全面满足消费者一站式购物需求，需要对用户购买行为进行更精准地分析和预测。基于此，本赛题提供来自用户、商家、商品等多方面数据信息，包括商家和商品自身的内容信息、评论信息以及用户与之丰富的互动行为。参赛队伍需要通过数据挖掘技术和机器学习算法，构建用户购买商家中相关品类的预测模型，输出用户和店铺、品类的匹配结果，为精准营销提供高质量的目标群体。同时，希望参赛队伍通过本次比赛，挖掘数据背后潜在的意义，为电商生态平台的商家、用户提供多方共赢的智能解决方案。
评价指标
参赛者提交的结果文件中包含对所有用户购买意向的预测结果。对每一个用户的预测结果包括两方面：
（1）该用户2018-04-16到2018-04-22是否对品类有购买，提交的结果文件中仅包含预测为下单的用户和品类（预测为未下单的用户和品类无须在结果中出现）。评测时将对提交结果中重复的“用户-品类”做排重处理，若预测正确，则评测算法中置label=1，不正确label=0。
（2）如果用户对品类有购买，还需要预测对该品类下哪个店铺有购买，若店铺预测正确，则评测算法中置pred=1，不正确pred=0。
对于参赛者提交的结果文件，按如下公式计算得分：score=0.4F11+0.6F12
此处的F1值定义为：
其中：Precise为准确率，Recall为召回率；F11 是label=1或0的F1值，F12 是pred=1或0的F1值。
问题定义
问题一：“预测该用户2018-04-16到2018-04-22是否对品类有购买”
问题二：“预测对该品类下哪个店铺有购买”
我们将问题一定义为预测用户ID+品类ID组合成的F11ID，在2018-04-16到2018-04-22是否发生购买行为的二分类问题。
我们将问题二定义为预测用户ID+品类ID+店铺ID组合成的F12ID，在2018-04-16到2018-04-22是否发生购买行为的二分类问题。
解决方案： 我们针对问题一和问题二分别建立模型，考虑到问题一和问题二关联度很强，采用的特征工程的思路基本相同，最终对两个结果进行融合得到预测结果。
探索性数据分析
EDA探索的一些重要发现：
预测需要的cate条目存在于商品表中，且店铺表中同样存在cate条目，此条目（shop_cate） 和商品表中的cate条目不同，仅是同名的不同特征，更不可用于F11问题的预测；
店铺表下， 仅有vender_id==3666（商家ID ）关联多个shop_id，进一步探索后发现，这些shop_id关联的所有行为记录中(约占全部数据的40%)，没有一条是购买记录；
用户行为中的type=5的情况（加入购物车）仅在4.08之后出现；
存在未关联数据，需要进行剔除。
异常数据处理方法：
1.由于春节前后数据分布异常，很可能与测试集的数据分布不一致，在构建训练集的时候应避免使用2.22日之前的数据。
2.构建时间相关（前N天行为统计等）特征避免使用春节前后的数据，构建累积特征则不需要特别考虑。
3.对3.27,3.28两天出现的异常采样问题，我们考虑到其购买行为的分布与前后基本一致，只在构建部分时间相关特征避免使用，其他并未做特别处理。
训练集构建
2018-03-10到2018-04-11的行为表中出现的F11ID、F12ID作为训练集的F11ID、F12ID。
2018-04-11到2018-04-16的行为表中出现的，且也在训练集中出现过的F11ID、F12ID作为标签集。
在2018-02-01到2018-04-11（全量）时间区间内完成对训练集中F11ID、F12ID的特征提取。
测试集构建
2018-03-15到2018-04-16的行为表中出现的F11ID、F12ID作为测试集的F11ID、F12ID。
在2018-02-01到2018-04-16（全量）时间区间内完成对测试集中F11ID、F12ID的特征提取。
此外，为了合理利用只有在最后八天存在的加入购物车行为记录，建立了另一个类似的模型，随后将做介绍。
特征工程基本思
结合基本的统计特征，通过使用户的行为记录，在长效、中期、短期三个时间维度，对用户、品类、商铺、F11ID(消费者和品类)、F12ID(消费者、品类、店铺）进行表示建立，建立时效行为兴趣特征；同时合理利用type==5存在的最后八天数据，围绕type==5建立特征工程以及新的模型。
结合以上思路，我们的特征可以基本分为三类
基础统计特征
时效行为兴趣特征
时效行为兴趣特征-user_id上的补充
购物车行为上的探索
在EDA环节中，我们提到过，用户行为中的type==5的记录（加入购物车）仅在4月8日零点之后出现，仅有最后八天的记录。
经过EDA后发现这8天内type==5的分布较为稳定，应该是前后差异应当是人工采样的结果。
这种结果导致训练集（3.10-4.09）只含有一天的加入购物车记录，而测试集（3.15-4.16）则含有8天的加入购物车记录，导致两个数据集的分布严重不同，因而比赛的初期，在考虑特征工程时暂时先将所有的购物车记录进行了删除。
购物车行为特征建立
第一中思路为在原有七天作为label的模型的基础上，通过对购物车记录进行处理保证前后分分布一致。
具体方法为：训练集中保留4.08当天的type==5的记录；
测试集中保留4.15当天的type==5的记录；
并针对这一天（也是数据集的最后一天）的购物车记录进行特征提取，特征如下：
1. 加入购物车行为在5个维度下的次数；
2. 加入购物车行为在5个维度下的转化率（与其他行为次数的比值）；
3. 加入购物且未发生购买行为次数；
4. 加入购物且未发生购买行为的相关商品数。
购物车相关新模型建立
在上一步的基础上，我们思考了如何能利用更多的购物车信息。为满足分布一致的要求，我们将原预测七天改为预测五天，可以将训练集的购物车信息从一天增加到三天，同时删去测试集除最后三天之外所有购物车信息，使分布一致。最后使用类似的特征工程方法对type==5的记录进行了特征提取。
具体构建方法如下:
训练集构建：
2018-03-10到2018-04-11的行为表中出现的F11ID、F12ID作为训练集的F11ID、F12ID。
2018-04-11到2018-04-16的行为表中出现的，且也在训练集中出现过的F11ID、F12ID作为标签集。
在2018-02-01到2018-04-11（全量）时间区间内完成对训练集中F11ID、F12ID的特征提取。
测试集构建：
2018-03-15到2018-04-16的行为表中出现的F11ID、F12ID作为测试集的F11ID、F12ID。
在2018-02-01到2018-04-16（全量）时间区间内完成对测试集中F11ID、F12ID的特征提取。
模型的训练与融合
模型训练：
1.采用LightGBM模型进行训练，降低二分类的log loss。
2.为加快模型的训练速度，使用全部的正样本，并通过随机抽样选取正样本数三十倍左右的负样本进行训练（正样本数约为2.6万，负样本数约为80万）。
模型融合：
通过对评价函数的解读，可知F11的β^2为0.5，F12的β^2为1.5，因而F11分数对准确率更为敏感，F12分数对召回率更为敏感。
我们采取的融合方法如下：
1.取出F11模型预测结果prob的TOP26000，F12模型的预测结果prob的TOP32000，按照F11ID取交集进行inner merge操作，再取出F12模型的TOP15000条融合后去重。
2.两组F11/F12模型都完成融合后，各得到长度22000条的最终结果，取出五天模型的TOP15000与七天模型进行融合并去重，得到最终结果。
赛后经验
1.EDA是理解赛题，处理数据以及构建特征的基础，这一步的工作的好坏，决定了整体工作的方向是否正确以及模型性能的最终上限；
2.在充分的EDA的基础之上，将直觉认为可行的方法快速落地，是一种能有效提高工作效率与质量的方法；
3.过于复杂的推导和脱离数据本身的特征工程往往不会有效，且会浪费非常多的时间，将方法快速落地再根据结果更新改进的方式更有效率。
工作的不足之处
1.由于比赛全程时间较短，且过程中使用的计算机的算力非常有限，还有很多直觉上可行的方案没有机会实践；
2.对score以及F11、F12分数定义公式的理解程度不足，很多问题都是赛后总结中才最终发现；
3.建立的线下验证集可靠程度有限，直觉上感觉最后的融合方法仍然欠佳；
4.特征工程比较复杂，可能存在一些冗余特征，对模型的时间性能有一定的影响。