内容简介:1、赛题链接:2、赛题任务:利用已有的用户属性(如个人基本信息、用户画像信息等)、终端属性(如终端品牌等)、业务属性、消费习惯及偏好匹配用户最合适的套餐,对用户进行推送,完成后续个性化服务。
1、赛题链接: 面向电信行业存量用户的智能套餐个性化匹配模型
2、赛题任务:利用已有的用户属性(如个人基本信息、用户画像信息等)、终端属性(如终端品牌等)、业务属性、消费习惯及偏好匹配用户最合适的套餐,对用户进行推送,完成后续个性化服务。
3、数据解读及预处理:
- 多分类任务-->11分类;根据service_type来划分套餐 ,一类8个,另外一类3个(下文图片里面的大宝卡以及腾讯王卡系列)。
- 11个套餐表所对应的卡,通过对1_total_fee进行value_counts和网上套餐比较可以大致推出来。
- 数据预处理---->清洗数据以及对1234_total_fee进行类似3sigma的进行标记。
4、特征工程:
- 对1-2-3-4_total_fee进行min ,max ,std ,mean等操作;最后发现四个月话费的最小值是比较强的特征,从EDA来看对套餐区分是比较明显的。
- 本月流量以及上个月流量的差值特征;并且发现某些用户上个月的流量是一个完整的数值,比方说1024,2048,3072这种数值,对这种用户进行了简单的标记。
- 用当月费用减去超出通话时长的钱。1_total_fee - (service1_caller_time)*0.15
- 计算每个用户的基本费用(base_fee)
- 判断四个月的话费是否是一个整数。比方说套餐36的用户如果账单里面出现了36和36.0的话,那么后者36.0可能是其他base_fee通过开加油包等超出套餐费用叠加上来的。
- 四个月的费用分别groupby("complaint_fee")进行count。
5、搭建模型:
模型:十折的lightgbm模型 + 五折的xgboost模型
xgboost实在是太慢了,没有GPU加成的话貌似要跑差不多一个白天,但是用上GPU精度就降低了。
6、模型融合:通过林有夕大神分享的投票代码进行融合,有一点收益但是不大。
7、处理:
- 我们队伍是失败了,大概思路就是对模型分不开的两个套餐加一个权重。决赛队伍应该都是有分享的。
- 还有就是植物之前ijcai2018所用过的"食之无味,弃之可惜",惜的是我们也失败了。
最后附上我们队的github链接(记得点个星星哦~)
开源代码地址: 2018_CCF_BDCI_ChinaUnicom_Package_Match_Rank6
这个比赛第一名,第二名,第四名貌似都有开源,还有砍手豪大佬对植物嫁接的进一步深入在知乎上都有文章,可以进行参考。
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- Apache Hudi重磅RFC解读之存量表高效迁移机制
- 给我一首歌的时间,带你深入理解正则表达式的贪婪匹配和懒惰匹配
- Leetcode 题目:括号匹配
- Nginx 请求匹配规则
- WAF分组安全策略匹配
- DIY 一个正则匹配引擎
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。