SPA大赛：数据模型与特征工程

更多腾讯海量技术文章，请关注云加社区：https://cloud.tencent.com/developer

作者：郭安静

大家好！作为一队苦苦挣扎在鱼塘里的萌新，我们的队员们几乎都从未接触过此类广告点击率预测比赛。队伍经过近一个月的苦苦挣扎，踩过无数坑，尝试了各种特征，仔细研究周冠军们的分享，翻看官方群聊天记录，终于在初赛结束前夕取得了较前排的位置（离前十还较远，哈哈），在这里写下我们一路来的经历，也希望可以帮助到为比赛而感到困惑的选手们！

因为曾经有使用过xgboost，所以在比赛伊始，我们就尝试使用它来搭建模型，相对于其他常用模型gbdt和nn，它在训练速度上更快，并且能够获得不俗的预测效果，也不需要对离散特征onehot，处理起来更加简单。下图是三种模型优缺点对比：

相信了解机器学习的孩纸们一定都听说过一句话“数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已”，在选完模型之后，就是最棘手的特征工程了。首先，我们并没有使用全部的数据，我们使用数据集后几天的数据来训练，将第29天的数据作为测试，这样不仅训练更快，同时效果也不会差。

相信大家最头痛的一定是不知道如何使用user_installedapps.csv和user_app_actions.csv了，我们也在这两个文件上花了大量时间，但收效并不明显，我们主要统计了近5天用户的APP安装数和截至观察期内APP安装数。同时统计出用户观察期内安装的各种APP对应的category。有大神提到使用word2vec，我们还没来得及尝试，应该是个不错的选择。同时，我们使用了较多的统计特征，如近5天的APP安装率，creative转化率等等。

最后，也是最重要的，就是关于trick的问题，比如最近公众号上提到重复数据的处理问题，下面是23-28号发生转化的实例统计情况表，经过观察可以发现，如果用户在一天内多次点击广告，那么转化大多数都发生在第一次，所以如果将这个重复性次数作为特征标记出来，应该能给大家的分数带来大幅度提升。

额，如果说这本是周冠军的舞台，那么我想我们队离这个舞台实在相去甚远，在这里为大家分享经验，确实感觉水平不够！同时希望大家也多多交流，共同进步，在本次比赛中取得优异成绩！