第一部份：Crowdflower Search Results Relevance
案例介紹：預測來自電子商務站點的搜索結(jié)果的準確性，將搜索得到的網(wǎng)頁按相關性排序
獲獎者所用方法：通過ensemble learning整合多個模型的結(jié)果
涉及算法：Ensemble learning
第二部份：Santander Product Recommendation
案例介紹：根據(jù)銀行客戶1.5年內(nèi)的行為數(shù)據(jù)，預測用戶會下一步會投資的新產(chǎn)品
獲獎者所用方法：通過XGBoost構(gòu)建了多個基本模型，然后將基本模型整合為一個總模型
涉及算法：XGBoost
第三部份：TalkingData Mobile User Demographics
案例介紹：根據(jù)用戶的手機應用下載和使用行為來預測用戶的人口統(tǒng)計數(shù)據(jù)（年齡、性別等）
獲獎者所用方法： 先預測性別的概率；使用性別的預測值作為額外的特征加入到模型中，預測年齡；通過條件概率得到兩個目標變量的預測概率
涉及算法：兩段預測，XGBoost
第四部份：Facebook V: Predicting Check Ins
案例介紹：預測用戶會在哪個地方登陸Facebook
獲獎者所用方法：特征選擇：數(shù)據(jù)塊的最近鄰計算；模型構(gòu)建：基于XGBoost的兩步模型
涉及算法：XGboost
第五部份：Avito Duplicate Ads Detection
案例介紹：為了避免賣家發(fā)布各種經(jīng)過少量改動的廣告導致買家難以分辨，參賽者需要設計一個模型，自動識別配對中的廣告是否同一個廣告
獲獎者所用方法：特征選擇：采用了FTIM方法測試特征的不穩(wěn)定性，提出過度擬合的特征。通過XGBoost和Keras構(gòu)建一層模型；然后通過底層模型構(gòu)建XGBoost 和隨機森林，最終綜合兩者結(jié)果得到最終結(jié)果
涉及算法：FTIM；元模型
第六部份：Outbrain Click Prediction
案例介紹：在一組針對用戶推薦內(nèi)容中，預測用戶點擊每個鏈接的可能，將這些推薦內(nèi)容按照點擊可能的大小排序
獲獎者所用方法：兩步元模型：通過LibFFM構(gòu)建第一層模型，再使用XGBoost和Keras構(gòu)建第二層模型
涉及算法：LibFFM；XGBoost；Keras框架
第七部份：Click-Through Rate Prediction
案例介紹：預測某個廣告是否會被點擊
獲獎者所用方法：將數(shù)據(jù)拆分成不同的子集，構(gòu)建不同的子模型，再整合
涉及算法：LIBFFM
第八部份：Avito Context Ad Clicks
案例介紹：預測俄羅斯較大的一般分類網(wǎng)站的用戶在瀏覽網(wǎng)站時，是否點擊上下文廣告
獲獎者所用方法：預處理：散列技巧和消極的抽樣。 學習方法：FFM、FM和XGBoost。
涉及算法：FFM；FM；XGboost
第九部份：Rossmann Store Sales
案例介紹：預測Rossmann公司各個門店的6周銷售量
獲獎者所用方法：分類特征的處理：創(chuàng)建了一種 Entity Embedding（實體嵌入）的方法去代表在多維空間中的分類特征。
涉及算法：Entity Embedding；神經(jīng)網(wǎng)絡
第十部份：Amazon.com - Employee Access Challenge
案例介紹：根據(jù)員工的職業(yè)角色，預測員工的訪問需求
獲獎者所用方法：11個模型的線性組合：使用不同特征訓練的GBM模型，GLNNET模型，隨機森林模型，logistic回歸模型
涉及算法：GBM模型，GLNNET模型，隨機森林模型，logistic回歸模型
|
合作伙伴與授權(quán)機構(gòu)
總部李老師
