第一部份：Crowdflower Search Results Relevance
案例介绍：预测来自电子商务站点的搜索结果的准确性，将搜索得到的网页按相关性排序
获奖者所用方法：通过ensemble learning整合多个模型的结果
涉及算法：Ensemble learning
第二部份：Santander Product Recommendation
案例介绍：根据银行客户1.5年内的行为数据，预测用户会下一步会投资的新产品
获奖者所用方法：通过XGBoost构建了多个基本模型，然后将基本模型整合为一个总模型
涉及算法：XGBoost
第三部份：TalkingData Mobile User Demographics
案例介绍：根据用户的手机应用下载和使用行为来预测用户的人口统计数据（年龄、性别等）
获奖者所用方法： 先预测性别的概率；使用性别的预测值作为额外的特征加入到模型中，预测年龄；通过条件概率得到两个目标变量的预测概率
涉及算法：两段预测，XGBoost
第四部份：Facebook V: Predicting Check Ins
案例介绍：预测用户会在哪个地方登陆Facebook
获奖者所用方法：特征选择：数据块的最近邻计算；模型构建：基于XGBoost的两步模型
涉及算法：XGboost
第五部份：Avito Duplicate Ads Detection
案例介绍：为了避免卖家发布各种经过少量改动的广告导致买家难以分辨，参赛者需要设计一个模型，自动识别配对中的广告是否同一个广告
获奖者所用方法：特征选择：采用了FTIM方法测试特征的不稳定性，提出过度拟合的特征。通过XGBoost和Keras构建一层模型；然后通过底层模型构建XGBoost 和随机森林，最终综合两者结果得到最终结果
涉及算法：FTIM；元模型
第六部份：Outbrain Click Prediction
案例介绍：在一组针对用户推荐内容中，预测用户点击每个链接的可能，将这些推荐内容按照点击可能的大小排序
获奖者所用方法：两步元模型：通过LibFFM构建第一层模型，再使用XGBoost和Keras构建第二层模型
涉及算法：LibFFM；XGBoost；Keras框架
第七部份：Click-Through Rate Prediction
案例介绍：预测某个广告是否会被点击
获奖者所用方法：将数据拆分成不同的子集，构建不同的子模型，再整合
涉及算法：LIBFFM
第八部份：Avito Context Ad Clicks
案例介绍：预测俄罗斯较大的一般分类网站的用户在浏览网站时，是否点击上下文广告
获奖者所用方法：预处理：散列技巧和消极的抽样。 学习方法：FFM、FM和XGBoost。
涉及算法：FFM；FM；XGboost
第九部份：Rossmann Store Sales
案例介绍：预测Rossmann公司各个门店的6周销售量
获奖者所用方法：分类特征的处理：创建了一种 Entity Embedding（实体嵌入）的方法去代表在多维空间中的分类特征。
涉及算法：Entity Embedding；神经网络
第十部份：Amazon.com - Employee Access Challenge
案例介绍：根据员工的职业角色，预测员工的访问需求
获奖者所用方法：11个模型的线性组合：使用不同特征训练的GBM模型，GLNNET模型，随机森林模型，logistic回归模型
涉及算法：GBM模型，GLNNET模型，随机森林模型，logistic回归模型
|
合作伙伴与授权机构
总部李老师
