SPA大赛：数据处理经验以及特征选择方法

更多腾讯海量技术文章，请关注云加社区：https://cloud.tencent.com/developer

作者：晁涌耀

零 自我介绍

我们是TripleLift队，来自中国科学院大学。

第一次接触这样的比赛，前期花了很多时间来尝试错误的处理方式，特征筛选方式，靠了很多拍脑门决定的以及突发奇想的特征拿到了初赛66名。想一想真是全看运气。

不过，也是有很多特征是经过一个很煎熬的过程，直到某一刻才发现的。比如我在这篇文章中重点介绍的两个特征，posflag,stay_time.

一 . 特征概述

对特征工程的理解

1.特征工程是成功的99%。

2.单特征得分很高的，并不一定和其他特征很搭。

3.特征工程本质上是求特征的最优组合，是一个搜索问题。

So,你得先有特征才行。

制造交叉特征

1.这两个特征相关性不能太强，相关性太强，做了等于白做。比如第一个特征为x，第二个特征为y，假设相关性太强以至于y=f(x),那无论你怎么交叉，你都是在用x这一个属性。

2.尽量避免出现(a,b),(b,c)这样的交叉特征组合，保证每个特征只有一个交叉特征，原理同1。

3.二阶的交叉特征其实FFM,FM都可以自动化生成，但其实对解决问题来说，并不一定有好效果。

So,你的交叉特征只是一部分。

由专业知识提取的特征

1.这才是解决问题的核心。

2.在这个回流率预估的情境下，又知道广告位价钱不等，所以我们可以先考虑一下，广告位有什么特点。

3.为什么会有推广计划，推广计划决定了对象，那么推广计划对于ROI之外的回流率肯定很低吧？

4.有一个很重要的，但是又常常被忽略的特征，停留时间。

二 .特征详解

铺垫了这么多，其实就是为了讲这俩特征。

posflag

还记得那天我刚加进去二群（一群满了），抱着投桃报李的心态，这个特征我在二群提出来。。。可惜太年轻了。

当天我的QQ快爆炸了，都是来要特征的。之后我在群里开源了，结果他们不会用。。。orz。。。。

这个特征就是贝叶斯平滑后的positionID的回流率。

曾经有一段时间，我统计了positionID的回流率，但是点击次数有的特别少，还有的竟然点击1转化1，这个要是当特征，简直爆炸。

我想，次数多的比较可信，但是次数低的怎么处理呢，而且次数低的在未来出现的次数会很多，又不能删掉，咋办呢？

于是我找到了一种方式：贝叶斯平滑

很明显，处理之后不会出现转化率为1或0的情况了，而且转化率连续性更好了。

这个使得点击次数多的，转化率几乎不变，次数少的，转化率大变。- -

其实这个特征基于一个假设。

我先统计了所有的训练集然后放到训练集上当特征，其实这时候应该是过拟合的，but，线上提高了两个千分点。

我思考了一下，可能positionID所代表的广告位其实无论放啥，平均回流率都差不多，所以你统计的越多反而越准。

stay_time

stay_time=对同一用户，记录与上次点击的时间差，如果是第一次点击，置为-1

这个特征一开始我觉得应该不会有用，因为这个数不准。

BUT，它解决了连点好几次的问题啊，这个就是trick。

复赛开始了，看到这个数据集大小我已经瑟瑟发抖，有空再继续更新 吧。。。To be continued。。。