腾讯算法大赛
本文参考于我协会前会长吴师兄的文档
腾讯社交广告高校算法大赛是面向高校大学生的算法大赛，作为腾讯核心的广告业务单元，腾讯社交广告通过对海量社交数据进行深入分析，构建多样广告场景，与8亿用户连接对话。在大数据、机器学习领域的持续创新投入，驱动社交广告生态发展。本次大赛旨在开放腾讯在社交和数字广告领域的真实数据，面向高校学生征集最智慧的算法解决方案。
详细的赛题见腾讯算法大赛, 记得也把 FAQ 看完, 里面也包含了许多重要信息
赛题比较难理解, 因为赛题属于广告学范畴, 如果实在难以理解赛题的可以先看看这篇文章, 看完再重新看一遍赛题就会通透许多转化率预估
官方已经不再关闭数据的下载通道了， 不过之前已经备份到了百度云， 在这里提供给大家官方数据下载
赛题要求
官方提供17-30天移动 APP 的广告、用户的转化情况，及相关上下文, 根据这些数据预测第31天指定用户和对应广告的转化率.
评估方式 (赛题中提供的计算公式)
通过Logarithmic Loss评估(越小越好)，公式如下：
其中，
N是测试样本总数，
yi是二值变量，取值0或1，表示第i个样本的label，
pi为模型预测第i个样本 label为1的概率。
示例代码(Python语言实现)：
项目目的
主要在于剖析和学习大赛中取得 第64 名大牛的分享， 对其代码进行理解和分析， 主要着重点在于特征工程。
机器学习的主要流程
数据分析和清洗方法
关于数据分析，阅读FAQ可知：
App 的激活定义为用户下载后启动了该App，即发生激活行为。从用户点击广告到广告系统得知用户激活了App(如果有)，通常会有较长的时间间隔，主要由以下两方面原因导致：
1) 用户可能在下载之后过了很久才启动App；
2) 用户启动App的行为需要广告主上报回传给广告系统，通常会有一定的延时。
这里回流时间表示了广告主把App激活数据上报给广告系统的时间，回流时间超过5天的数据会被系统忽略。
值得注意的是，本次竞赛的训练数据提供的截止第31天0点的广告日志，因此，对于最后几天的训练数据，某些label=0并不够准确，可能广告系统会在第31天之后得知label实际上为1。
即
某些app和用户的记录比较少
最后几天有部分数据不准确
对于这个问题, 这里采用了比较暴力的方法, 将最后几天这些可能会出现问题的数据删除
特征工程
特征工程即根据基本的数据提取出更多有用的数据, 然后结合基本特征来选取最终决定需要采用训练的特征数据, 往往特征工程决定了最终预测的效果
基本数据在官方已经提供了数据描述的表格, 这个一定要好好理解每一个字段的作用, 这里就不重复描述数据的字段了
在这里先强调一下，在做完特征工程之后, 我们得到了更多的特征, 但并不是每一个特征都对模型的训练有用, 故此我们需要对特征进行筛选 (不仅仅是单方面的取舍, 还需要根据重要的程度进行权重的分配)
通过数据分析，计划以下的特征作为最终的训练数据标签
1.基础特征：计数特征、转化率、比例特征等各种基本的特征(各种ID)
2.用户当天行为特征：基于当天数据统计的用户行为、app行为的特征
3.用户历史行为特征：word2vec 计算用户行为与历史行为的关联
1. 基础特征
基础特征即腾讯官方提供的数据，各种的ID标签，将一些没用的标签去掉即可，不需
要作过多的处理
2、3 用户行为特征的处理
用户行为特征的处理逻辑较为繁琐， 也是整个项目中最繁琐的操作， 逻辑比较难理
清，建议通过源码来理解