guangningyu / Jd Prediction
京东JData算法大赛-高潜用户购买意向预测
Stars: ✭ 18
Programming Languages
python
139335 projects - #7 most used programming language
Projects that are alternatives of or similar to Jd Prediction
Predicting Myers Briggs Type Indicator With Recurrent Neural Networks
Stars: ✭ 43 (+138.89%)
Mutual labels: rnn, predictive-modeling
solar-forecasting-RNN
Multi-time-horizon solar forecasting using recurrent neural network
Stars: ✭ 29 (+61.11%)
Mutual labels: rnn, predictive-modeling
ML2017FALL
Machine Learning (EE 5184) in NTU
Stars: ✭ 66 (+266.67%)
Mutual labels: rnn, predictive-modeling
Indrnn
TensorFlow implementation of Independently Recurrent Neural Networks
Stars: ✭ 511 (+2738.89%)
Mutual labels: rnn
Coursera Machine Learning
Coursera Machine Learning - Python code
Stars: ✭ 815 (+4427.78%)
Mutual labels: predictive-modeling
Rgan
Recurrent (conditional) generative adversarial networks for generating real-valued time series data.
Stars: ✭ 480 (+2566.67%)
Mutual labels: rnn
Tf Rnn Attention
Tensorflow implementation of attention mechanism for text classification tasks.
Stars: ✭ 735 (+3983.33%)
Mutual labels: rnn
Wtte Rnn
WTTE-RNN a framework for churn and time to event prediction
Stars: ✭ 654 (+3533.33%)
Mutual labels: rnn
Ad examples
A collection of anomaly detection methods (iid/point-based, graph and time series) including active learning for anomaly detection/discovery, bayesian rule-mining, description for diversity/explanation/interpretability. Analysis of incorporating label feedback with ensemble and tree-based detectors. Includes adversarial attacks with Graph Convolutional Network.
Stars: ✭ 641 (+3461.11%)
Mutual labels: rnn
Video Classification
Tutorial for video classification/ action recognition using 3D CNN/ CNN+RNN on UCF101
Stars: ✭ 543 (+2916.67%)
Mutual labels: rnn
Stockpriceprediction
Stock Price Prediction using Machine Learning Techniques
Stars: ✭ 700 (+3788.89%)
Mutual labels: rnn
Headlines
Automatically generate headlines to short articles
Stars: ✭ 516 (+2766.67%)
Mutual labels: rnn
Seq2seq Chatbot
Chatbot in 200 lines of code using TensorLayer
Stars: ✭ 777 (+4216.67%)
Mutual labels: rnn
Rnn Time Series Anomaly Detection
RNN based Time-series Anomaly detector model implemented in Pytorch.
Stars: ✭ 718 (+3888.89%)
Mutual labels: rnn
Telemanom
A framework for using LSTMs to detect anomalies in multivariate time series data. Includes spacecraft anomaly data and experiments from the Mars Science Laboratory and SMAP missions.
Stars: ✭ 589 (+3172.22%)
Mutual labels: rnn
Multi Class Text Classification Cnn Rnn
Classify Kaggle San Francisco Crime Description into 39 classes. Build the model with CNN, RNN (GRU and LSTM) and Word Embeddings on Tensorflow.
Stars: ✭ 570 (+3066.67%)
Mutual labels: rnn
Cs224n
CS224n: Natural Language Processing with Deep Learning Assignments Winter, 2017
Stars: ✭ 656 (+3544.44%)
Mutual labels: rnn
竞赛概述
本次大赛以京东商城真实的用户、商品和行为数据（脱敏后）为基础，参赛队伍需要通过数据挖掘的技术和机器学习的算法，构建用户购买商品的预测模型，输出高潜用户和目标商品的匹配结果，为精准营销提供高质量的目标群体。同时，希望参赛队伍能通过本次比赛，挖掘数据背后潜在的意义，为电商用户提供更简单、快捷、省心的购物体验。
数据介绍
符号定义
S：提供的商品全集
P：候选的商品子集（JData_Product.csv），P是S的子集
U：用户集合
A：用户对S的行为数据集合
C：S的评价数据
训练数据部分
提供2016-02-01到2016-04-15日用户集合U中的用户，对商品集合S中部分商品的行为、评价、用户数据；提供部分候选商品的数据P。
选手从数据中自行组成特征和数据格式，自由组合训练测试数据比例。
预测数据部分
2016-04-16到2016-04-20用户是否下单P中的商品，每个用户只会下单一个商品；
抽取部分下单用户数据，A榜使用50%的测试数据来计算分数；
B榜使用另外50%的数据计算分数(计算准确率时剔除用户提交结果中user_Id与A榜的交集部分)。
为保护用户的隐私和数据安全，所有数据均已进行了采样和脱敏。
数据中部分列存在空值或NULL，请参赛者自行处理。
数据结构
- 用户数据
| 字段名称 | 意义 | 备注 |
|---|---|---|
| user_id | 用户ID | 脱敏 |
| age | 年龄段 | -1表示未知 |
| sex | 性别 | 0表示男，1表示女，2表示保密 |
| user_lv_cd | 用户等级 | 有顺序的级别枚举，越高级别数字越大 |
| user_reg_tm | 用户注册日期 | 粒度到天 |
- 商品数据
| 字段名称 | 意义 | 备注 |
|---|---|---|
| sku_id | 商品编号 | 脱敏 |
| a1 | 属性1 | 枚举，-1表示未知 |
| a2 | 属性2 | 枚举，-1表示未知 |
| a3 | 属性3 | 枚举，-1表示未知 |
| cate | 品类ID | 脱敏 |
| brand | 品牌ID | 脱敏 |
- 评价数据
| 字段名称 | 意义 | 备注 |
|---|---|---|
| dt | 截止到时间 | 粒度到天 |
| sku_id | 商品编号 | 脱敏 |
| comment_num | 累计评论数分段 | 0表示无评论，1表示有1条评论，2表示有2-10条评论，3表示有11-50条评论，4表示大于50条评论 |
| has_bad_comment | 是否有差评 | 0表示无，1表示有 |
| bad_comment_rate | 差评率 | 差评数占总评论数的比重 |
- 行为数据
| 字段名称 | 意义 | 备注 |
|---|---|---|
| user_id | 用户编号 | 脱敏 |
| sku_id | 商品编号 | 脱敏 |
| time | 行为时间 | |
| model_id | 点击模块编号，如果是点击 | 脱敏 |
| type | 行为类型 | 1.浏览（指浏览商品详情页）；2.加入购物车；3.购物车删除；4.下单；5.关注；6.点击； |
| cate | 品类ID | 脱敏 |
| brand | 品牌ID | 脱敏 |
模型评分
参赛者需要使用京东多个品类下商品的历史销售数据，构建算法模型，预测用户在未来5天内，对某个目标品类下商品的购买意向。对于训练集中出现的每一个用户，参赛者的模型需要预测该用户在未来5天内是否购买目标品类下的商品以及所购买商品的SKU_ID。评测算法将针对参赛者提交的预测结果，计算加权得分。
参赛者提交的结果文件中包含对所有用户购买意向的预测结果。对每一个用户的预测结果包括两方面：
- 该用户2016-04-16到2016-04-20是否下单P中的商品，提交的结果文件中仅包含预测为下单的用户，预测为未下单的用户，无须在结果中出现。若预测正确，则评测算法中置label=1，不正确label=0；
- 如果下单，下单的sku_id （只需提交一个sku_id），若sku_id预测正确，则评测算法中置pred=1，不正确pred=0。
对于参赛者提交的结果文件，按如下公式计算得分：
Score = 0.4*F11 + 0.6*F12
此处的F1值定义为：
F11 = 6*Recall*Precise/(5*Recall+Precise) // note: Precise更重要
F12 = 5*Recall*Precise/(2*Recall+3*Precise) // note: Recall更重要
其中，Precise为准确率，Recall为召回率. F11是label=1或0的F1值，F12是pred=1或0的F1值.
Note that the project description data, including the texts, logos, images, and/or trademarks,
for each open source project belongs to its rightful owner.
If you wish to add or remove any projects, please contact us at [email protected].