竞赛概述:
本次大赛以京东商城真实的用户、商品和行为数据(脱敏后)为基础,参赛队伍需要通过数据挖掘的技术和机器学习的算法,构建用户购买商品的预测模型,输出高潜用户和目标商品的匹配结果,为精准营销提供高质量的目标群体。同时,希望参赛队伍能通过本次比赛,挖掘数据背后潜在的意义,为电商用户提供更简单、快捷、省心的购物体验。数据介绍:
符号定义:S:提供的商品全集;
P:候选的商品子集(JData_Product.csv),P是S的子集;
U:用户集合;
A:用户对S的行为数据集合;
C:S的评价数据。
训练数据部分:
提供2016-02-01到2016-04-15日用户集合U中的用户,对商品集合S中部分商品的行为、评价、用户数据;提供部分候选商品的数据P。
选手从数据中自行组成特征和数据格式,自由组合训练测试数据比例。
预测数据部分:
2016-04-16到2016-04-20用户是否下单P中的商品,每个用户只会下单一个商品;抽取部分下单用户数据,A榜使用50%的测试数据来计算分数;B榜使用另外50%的数据计算分数(计算准确率时剔除用户提交结果中user_Id与A榜的交集部分)。
1、用户数据
2、商品数据
3、评价数据
任务描述:
参赛者需要使用京东多个品类下商品的历史销售数据,构建算法模型,预测用户在未来5天内,对某个目标品类下商品的购买意向。对于训练集中出现的每一个用户,参赛者的模型需要预测该用户在未来5天内是否购买目标品类下的商品以及所购买商品的SKU_ID。评测算法将针对参赛者提交的预测结果,计算加权得分。
评分标准:
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2016-04-16到2016-04-20是否下单P中的商品,提交的结果文件中仅包含预测为下单的用户,预测为未下单的用户,无须在结果中出现。若预测正确,则评测算法中置label=1,不正确label=0;
2、如果下单,下单的sku_id (只需提交一个sku_id),若sku_id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=0.4*F11 + 0.6*F12
此处的F1值定义为:
F11=6*Recall*Precise/(5*Recall+Precise)
F12=5*Recall*Precise/(2*Recall+3*Precise)
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.
数据清洗:
比赛的题目是高潜用户的购买意向的预测,从机器学习的角度来讲我们可以认为这是一个二分类的任务.那么我们就是尝试去构建自己的正负样本.由于我们拿到的是原始数据,里面存在很多噪声,因而第一步我们先要对数据清洗,比如说:
- 去掉只有购买记录的用户(没有可用的历史浏览等记录来预测用户将来的购买意向)
- 去掉浏览量很大而购买量很少的用户(惰性用户或爬虫用户)
- 去掉最后5(7)天没有记录(交互)的商品和用户
- ......
为了能够进行上述清洗,在此首先构造了简单的用户(user)行为特征和商品(item)行为行为特征,对应于两张表user_table和item_table
- user_table特征包括:
user_id(用户id),age(年龄),sex(性别),
user_lv_cd(用户级别),browse_num(浏览数),
addcart_num(加购数),delcart_num(删购数),
buy_num(购买数),favor_num(收藏数),
click_num(点击数),buy_addcart_ratio(购买加购转化率),
buy_browse_ratio(购买浏览转化率),
buy_click_ratio(购买点击转化率),
buy_favor_ratio(购买收藏转化率)
- item_table特征包括:
sku_id(商品id),attr1,attr2,
attr3,cate,brand,browse_num,
addcart_num,delcart_num,
buy_num,favor_num,click_num,
buy_addcart_ratio,buy_browse_ratio,
buy_click_ratio,buy_favor_ratio,
comment_num(评论数),
has_bad_comment(是否有差评),
bad_comment_rate(差评率)
探索高潜用户的行为:
比赛的题目是高潜用户购买意向预测, 那么理解清楚什么是高潜用户对于数据分析,特征抽取,以及之后的建立模型有着至关重要的作用.
简单来讲,作为训练集的高潜用户应该具有以下特征:
- 必须有购买行为
- 对一个商品购买和其他交互行为(浏览,点击,收藏等)时间差应该多于一天
因为根据赛题,我们需要预测未来5天的购买情况,那么如果用户对某商品在同一天完成所有的交互行为(包括购买),
我们无法从这种交易中指导未来的预测.
特征工程:
用户相关特征:
主要根据用户数据集,对用户原本的年龄、性别、用户等级,采用独热编码。
def convert_age(age_str):
if age_str == u'-1':
return 0
elif age_str == u'15岁以下':
return 1
elif age_str == u'16-25岁':
return 2
elif age_str == u'26-35岁':
return 3
elif age_str == u'36-45岁':
return 4
elif age_str == u'46-55岁':
return 5
elif age_str == u'56岁以上':
return 6
else:
return -1
user = pd.read_csv(user_path, encoding='gbk')
user['age'] = user['age'].map(convert_age)
age_df = pd.get_dummies(user["age"], prefix="age")
sex_df = pd.get_dummies(user["sex"], prefix="sex")
user_lv_df = pd.get_dummies(user["user_lv_cd"], prefix="user_lv_cd")
user = pd.concat([user['user_id'], age_df, sex_df, user_lv_df], axis=1)
商品相关特征:
根据商品数据集和评论数据集,对商品属性特征a1、a2、a3,和评论数量comment_num,进行独热编码
product = pd.read_csv(product_path)
attr1_df = pd.get_dummies(product["a1"], prefix="a1")
attr2_df = pd.get_dummies(product["a2"], prefix="a2")
attr3_df = pd.get_dummies(product["a3"], prefix="a3")
product = pd.concat([product[['sku_id', 'cate', 'brand']], attr1_df, attr2_df, attr3_df], axis=1)
comments = comments[(comments.dt >= comment_date_begin) & (comments.dt < comment_date_end)]
df = pd.get_dummies(comments['comment_num'], prefix='comment_num')
comments = pd.concat([comments, df], axis=1) # type: pd.DataFrame
comments = comments[['sku_id', 'has_bad_comment', 'bad_comment_rate', 'comment_num_1', 'comment_num_2', 'comment_num_3', 'comment_num_4']]
actions = get_actions(start_date, end_date)
df = pd.get_dummies(actions['type'], prefix='action')
actions = pd.concat([actions['sku_id'], df], axis=1)
actions = actions.groupby(['sku_id'], as_index=False).sum()
actions['product_action_1_ratio'] = actions['action_4'] / actions['action_1']
actions['product_action_2_ratio'] = actions['action_4'] / actions['action_2']
actions['product_action_3_ratio'] = actions['action_4'] / actions['action_3']
actions['product_action_5_ratio'] = actions['action_4'] / actions['action_5']
actions['product_action_6_ratio'] = actions['action_4'] / actions['action_6']
用户行为相关特征:
提取从起始日期start_date到截止日期end_date内的行为数据集,对用户行为类型type做one-hot编码,然后使用聚合函数groupby,对user_id,sku_id进行聚合分组,对组内的其他特征进行相加,即可统计出在此期间用户对商品的各种行为类型的累计交互次数。
这个函数方便我们后面采用划窗方式,多次提取不同时间段的用户行为累计特征。
actions = actions[(actions.time >= start_date) & (actions.time < end_date)]
actions = actions[['user_id', 'sku_id', 'type']]
df = pd.get_dummies(actions['type'], prefix='%s-%s-action' % (start_date, end_date))
actions = pd.concat([actions, df], axis=1) # type: pd.DataFrame
actions = actions.groupby(['user_id', 'sku_id'], as_index=False).sum()
提取按时间衰减的累计行为特征,使用匿名函数lambda提取出每条行为数据发生时间与截止日期的相隔天数,然后对相隔天数取反,作为对数函数的指数。这样若发生交互行为的数据离我们要预测的日期离得越远,那么它对我们的预测所占的权重指数就越小。
actions = actions[(actions.time >= start_date) & (actions.time < end_date)]
df = pd.get_dummies(actions['type'], prefix='action')
actions = pd.concat([actions, df], axis=1) # type: pd.DataFrame
#近期行为按时间衰减
actions['weights'] = actions['time'].map(lambda x: datetime.strptime(end_date, '%Y-%m-%d') - datetime.strptime(x, '%Y-%m-%d %H:%M:%S'))
#actions['weights'] = time.strptime(end_date, '%Y-%m-%d') - actions['datetime']
actions['weights'] = actions['weights'].map(lambda x: math.exp(-x.days))
actions['action_1'] = actions['action_1'] * actions['weights']
actions['action_2'] = actions['action_2'] * actions['weights']
actions['action_3'] = actions['action_3'] * actions['weights']
actions['action_4'] = actions['action_4'] * actions['weights']
actions['action_5'] = actions['action_5'] * actions['weights']
actions['action_6'] = actions['action_6'] * actions['weights']
actions = actions.groupby(['user_id', 'sku_id', 'cate', 'brand'], as_index=False).sum()
通过提取用户的点击购买转化率,加入购物车后购买转化率,以及浏览购买转换率,我们可以更深刻的刻画该用户是否我们要寻找的高潜购买用户对象
actions = get_actions(start_date, end_date)
df = pd.get_dummies(actions['type'], prefix='action')
actions = pd.concat([actions['user_id'], df], axis=1)
actions = actions.groupby(['user_id'], as_index=False).sum()
actions['user_action_1_ratio'] = actions['action_4'] / actions['action_1']
actions['user_action_2_ratio'] = actions['action_4'] / actions['action_2']
actions['user_action_3_ratio'] = actions['action_4'] / actions['action_3']
actions['user_action_5_ratio'] = actions['action_4'] / actions['action_5']
actions['user_action_6_ratio'] = actions['action_4'] / actions['action_6']
我们已经完成特征工程部分,接下来主要就是从特征工程生成的许多特征中选出有用的特征,然后对模型参数进行调优。
我们使用xgboost模型对用户模型进行建模,然后由于xgboost是基于树模型的分类器,那么在建树的过程中也就自动完成了对特征的选择。
模型调优:
param = {'eta' : 0.1, 'max_depth': 3, 'seed':27,
'min_child_weight': 1, 'gamma': 0, 'subsample': 0.8, 'colsample_bytree': 0.8,
'scale_pos_weight': 1, 'objective': 'binary:logistic','eval_metric':'auc'}
bst=xgb.cv( param, dtrain, 500,nfold=5,early_stopping_rounds=100)
bst
然后再使用sklearn的格子搜索,类似以下代码,然后我们更改param_grid的值,即可确定每个参数的最优值。
param_test1 = {
'max_depth':[1,3,5,7]
}
gsearch1 = GridSearchCV(estimator = XGBClassifier( learning_rate =0.1, n_estimators=178, max_depth=5,
min_child_weight=1, gamma=0, subsample=0.8, colsample_bytree=0.8,
objective= 'binary:logistic', nthread=4, scale_pos_weight=1, seed=27),
param_grid = param_test1, scoring='roc_auc', n_jobs=4, iid=False, cv=StratifiedKFold(training_data.label,n_folds=5))
gsearch1.fit(dtrain_x,training_data.label)
gsearch1.grid_scores_, gsearch1.best_params_, gsearch1.best_score_
feature_score = bst.get_score()
feature_score = sorted(feature_score.items(), key=lambda x:x[1],reverse=True)
feature_score
总结思考:
- 完整的完成了一次大数据比赛,对数据挖掘整体流程有了更深的理解。
- 对python常见的进行数据处理的函数更加熟悉。
- 对模型调优、特征选择的重要性有深刻认识。例如,同样的特征数据集,若参数调优得当,能有10%的提升;同时,若特征选的好,则有20%的提升。
- 若有更多时间,应该可以从特征组合和模型融合方面入手,继续改善模型效果。