2018中国高校计算机大赛—大数据挑战赛（top2解题方案）

比赛链接：https://www.kesci.com/home/competition/5ab8c36a8643e33f5138cba4/leaderboard/1

相关链接：https://mp.weixin.qq.com/s/fSRB5T3himBEYrLwW9p62A

比赛介绍：https://mp.weixin.qq.com/s/vYtcnwLtHsb70viejBR3Rw

经过激烈的竞争，从俩千多人，一千二百多支队伍，从初赛到复赛再到决赛的答辩，最终拿到了第二的名次，虽然有点遗憾，但参加这个比赛收获了很多，对大数据领域又有了新的认识，在过程中，最重要的是坚持，有新的想法要敢于尝试。总结一下，个人觉得数据挖掘类的题目更多的应该先去了解数据，理解数据，对所涉及的业务场景有一定的了解，这样在特征工程的时候可以更合理的构造出强特出来，同时掌握一些必备的统计知识，用来构造基础特征也是必备的，除此之外，多学习一些经典算法，对构造特征也非常有用。以下分享一下该比赛的思路。

解题思路 ：

题目是给定1-30天时间内的四个日志数据,通过这些数据来预测未来一段时间（即31-37天）活跃（即出现在以上四个日志中任意一个）的用户。经过分析，判定该问题是一个典型的二分类问题，也就是说给定一个用户id，让我们来预测这个用户是活跃或者不活跃。那么首先考虑如何构造出线上线下的训练集以及它的标签，还有线上线下测试集以及它的标签。

一、滑动窗口

     

图（一）

如图一所示，我们采用滑动窗口的算法思想，给定a到b，也就是1-30天区间，我们定义n和m，其中n是构造训练集或验证集的区间，紧接着的后7天是构造标签的区间。其中，n小于等于23，m大于等于0。这样满足这种条件的我们可以滑动出很多个窗口，理论上讲这样我们训练集的样本可以构造出很多个，但是经过仔细分析与思考，我们总结了窗口必须满足以下两个条件

(1)保持线上与线下窗口间隔一致。