http://algo.tpai.qq.com/home/home/index.html
决赛第7名
比赛中，我们比较关心的一个问题在于：数据线上线下分布不一致：1、某些app和用户的记录比较少；2、数据的时效性要求较高。这对于特征工程会是一个比较大的要求，在比赛中有许多的特征会使得线上的成绩下降，比如各种差分的特征。
特征的提取主要有以下几个方面：
基础特征：计数特征、转化率、比例特征等各种基本的特征；线上的特征：基于当天数据统计的用户行为、app行为的特征；用户行为挖掘特征：word2vec计算用户行为与历史行为的关联；特征提取方式有以下几个方面考虑：
基于cv统计、贝叶斯平滑等方法，能够很好的修正线上线下的特征分布不一致的问题；特征提取主要有基于全局的数据统计以及滑窗的历史统计。 基于全集的数据统计生成的特征：是决赛中主要的特征提取方式，效果比较平稳，而且信息量比较多，但容易会有信息泄露的问题需要通过cv统计来避免，而且难以反映时间变化的信息。基于滑窗的生成特征：能反映时序上的信息，不会有信息泄露的问题。但是生成的特征数量多，线上线下的分布差异比较大，特征工程方面的工作量比较大。因此，比赛中我选择了两种生成特征的方式来产生不同的模型进行融合。
比赛中主要使用stacking 的方式，其中一个模块的示意图如下：
如图所示，模块中使用cv的方法，把数据分成5份来进行训练和预测，这样模型的效果会比单模型的要好些（相当于投票的一种策略）。此外模块中stack3层，每一层使用原有的特征和预测值作为下一个模型的输入，增强模块的精度。模型中使用xgboost和lightgbm。 这种模型的缺点在于，效率是单模型的十几倍，因此需要一种策略来保证效率。这里我使用分而治之的思想，每一次训练使用上一个模块的预测值和当前新提取的特征，作为下一个模块的输入进行训练，不断迭代。这样相当于把所有的特征分成很多部分分开训练，并且在决赛中通过线上成绩反馈来选择特征的去留。最终模型的流水线如下： Component就是模型的一个模块（cv5份和stack3层的模块），每次提取新的特征则加入到新的component中训练。这里流水线中使用了15个模块。 实验中，随着加入的特征越多，模型效果变得更好。模型的效果如下：
主要有两种融合的方式：
加权融合：当融合的模型效果差异大时，根据线上的成绩人工设定融合的权重；logistic平均：当融合的模型效果差异小时，采用以下公式进行融合：p=f(∑if−1(pi)n)p=f(∑if−1(pi)n)除了stacking的模型，同时也考虑全集和滑窗特征上的单模型效果，还有每个component成绩，进行融合：
个人感觉在模型的stack方面，已经做到了很好的程度，实验的结果表明比单模型的效果要好且鲁棒性更高。但是决赛后期尝试使用ffm算法，但是效果一直不理想，所以只是稍微的加进去原来的模型中进行融合。
