Skip to content

navy2016/Tencent2019_Finals_Rank1st

 
 

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

15 Commits
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

微信公众号:Coggle数据科学

知乎专栏:zhuanlan.zhihu.com/DataAI 机器学习理论与数据竞赛实战

Tencent2019_Finals_Rank1st

2019腾讯广告算法大赛完整代码(冠军)

数据下载

链接:https://pan.baidu.com/s/1O5aOkQ_gVOuT1jkC8NFb9g 
提取码:biv9 

1.环境配置和所需依赖库

  • scikit-learn
  • tqdm
  • lightgbm
  • pandas
  • numpy
  • scipy
  • tensorFlow=1.12.0 (其他版本≥1.4且不等于1.5或1.6)
  • Linux Ubuntu 16.04, 128G内存,一张显卡

2.复现结果

原始数据统一保存在data文件夹,包括复赛AB榜数据(不要有子目录)。

bash run.sh

最后输出结果为./submission.csv

3.步骤说明

(1)原始数据统一保存在data文件夹,包括复赛AB榜数据(不要有子目录)。 (2)run.sh会依次运行文件夹A、gdy、wh和lyy中的run.sh文件。 (3)A、gdy和wh会分别从data中读取原始数据,提取特征,然后生成结果。 (4)lyy文件夹用来对gdy和wh产出的结果进行融合,然后得到最终的提交结果。

4.特征说明

(1)特征维度:主要从历史角度和全局角度去构建特征,具体维度有前一天、最近一天、历史所有、前n天和五折交叉统计全局特征。 (2)基础特征:广告在当天的竞争胜率,广告在当天竞争次数,广告在当天竞争胜利次数,广告在当天竞争失败次数。然后可以扩展为商品id和账户id等。然后将基础特征按特征维度进行构造。对于新广告,可以将商品id和账户id与基础特征进行组合。

5.模型说明

(1)目录A

模型: lightgbm

    参数lgb_model = lgb.LGBMRegressor( num_leaves=256, reg_alpha=0., reg_lambda=0.01, objective='mae', metric=False,max_depth=-1, learning_rate=0.03,min_child_samples=25,  n_estimators=1000, subsample=0.7, colsample_bytree=0.45)

(2)目录gdy

模型: lightgbm

(3)目录wh

模型: lightgbm

    参数lgb_params = {'num_leaves': 2**7-1,
              'min_data_in_leaf': 25, 
              'objective':'regression_l2',
              'max_depth': -1,
              'learning_rate': 0.1,
              'min_child_samples': 20,
              'boosting': 'gbdt',
              'feature_fraction': 0.6,
              'bagging_fraction': 0.9,
              'bagging_seed': 11,
              'metric': 'mae',
              'seed':1024,
              'lambda_l1': 0.2}

About

2019腾讯广告算法大赛完整代码(冠军)

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages

  • Python 99.6%
  • Shell 0.4%