【数据科学赛】OTTO – Multi-Objective Recommender System #多目标建模 #推荐系统 #$30,000

本次竞赛由德国电商巨头OTTO发起,旨在建立一个多目标推荐系统,预测电商平台上的点击、加购物车及下单行为。参赛者需基于用户会话中的历史事件来优化推荐算法,提高在线零售商向顾客推荐商品的相关性。

CompHub 实时聚合多平台的数据类(Kaggle、天池…)和OJ类(Leetcode、牛客…)比赛。本账号会推送最新的比赛消息,欢迎关注!

更多比赛信息见 CompHub主页 或 点击文末阅读原文


以下内容摘录自比赛主页

Part1赛题介绍

1题目

OTTO – Multi-Objective Recommender System

2标签

推荐系统多目标建模

3主办方

Otto (GmbH & Co KG)。它是德国的邮购公司,也是世界上最大的电子商务公司之一。

4背景

Your work will help online retailers select more relevant items from a vast range to recommend to their customers based on their real-time behavior. Improving recommendations will ensure navigating through seemingly endless options is more effortless and engaging for shoppers.

Part2时间安排

  • November 1, 2022 - Start Date.

  • January 24, 2023 - Entry Deadline. You must accept the competition rules before this date in order to compete.

  • January 24, 2023 - Team Merger Deadline. This is the last day participants may join or merge teams.

  • January 31, 2023 - Final Submission Deadline.

All deadlines are at 11:59 PM UTC on the corresponding day unless otherwise noted. The competition organizers reserve the right to update the contest timeline if they deem it necessary.

Part3奖励机制

  • 1st Place - $ 15,000

  • 2nd Place - $ 10,000

  • 3rd Place - $ 5,000

Part4赛题描述

电商平台的多目标建模,目标包括:点击、加购物车、下单。

The goal of this competition is to predict e-commerce clicks, cart additions, and orders. You'll build a multi-objective recommender system based on previous events in a user session.

Part5评测标准

Submissions are evaluated on Recall@20 for each action type, and the three recall values are weight-averaged:

{'clicks': 0.10, 'carts': 0.30, 'orders': 0.60}


本资源关注一个与数据科学相关的项目,即Kaggle上的 Otto 多目标推荐系统。该项目是一个源代码集合,实现了某种推荐算法,在Otto中取得了不错的成绩,单模型分数达到0.594,排名约第30名。以下是该项目中可能包含的知识点: 1. **推荐系统**:根据用户历史行为和偏好,推荐可能感兴趣的内容,可能采用协同过滤、基于内容的推荐或混合策略。 2. **多目标优化**:同时考虑多个指标,如用户满意度、多样性、新颖性和商业目标,需要更复杂的优化算法。 3. **Kaggle比**:参者需解决实际问题并提交预测结果,Otto可能要求预测用户购买意向以提升电商销售。 4. **数据处理**:涉及缺失值处理、异常值检测、特征工程等,以提取有用信息用于模型输入。 5. **机器学习模型**:可能使用深度学习、矩阵分解、XGBoost、LightGBM等模型或其组合。 6. **模型评估**:使用AUC-ROC、RMSE、MAE等指标评估模型性能并进行优化。 7. **交叉验证**:通过k-fold等技术评估模型在不同数据子集上的表现,提高泛化能力。 8. **特征选择与重要性**:通过特征选择和重要性分析,确定对预测最有贡献的特征。 9. **模型融合**:采用bagging、boosting或stacking等技术结合多个模型的预测结果。 10. **版本控制**:使用Git进行代码管理,便于协作和跟踪更改。 该项目提供了学习推荐系统多目标优化及竞策略的宝贵资源,通过研究源代码可了解模型构建、数据处理和优化策略,有助于提升数据科学技能。资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值