来源：深度之眼 作者：比赛教研部

编辑：学姐

日前，Kaggle发布了OTTO – Multi-Objective Recommender System多目标推荐系统大赛。要求参赛者：

根据用户会话中的先前事件构建一个多目标推荐系统。

这是一个推荐系统中的序列建模任务，对本领域感兴趣的小伙伴，千万不要错过。

下面是本场比赛的baseline。

赛题分析+baseline

1、赛题链接

https://www.kaggle.com/competitions/otto-recommender-system/overview

2、赛题描述

本次比赛的目标是预测电子商务点击、购物车添加和订单。

根据用户的行为记录来预测用户各种行为下次发生交互的商品，这是一个经典的多目标推荐问题。本次比赛的目标是预测电子商务的点击量、购物车的添加量和订单。你将根据用户Session序列中的行为记录来进行推荐。

3、评价指标

这里我们需要对用户的点击，加购，购买行为进行Top-K推荐，我们需要对每一个User的Session序列给出预测的Top-20的Item结果，其评估指标使用Recall进行评估：

这里我们需要分别对这三种行为分别进行Recall指标计算，最后将三个行为的Recall值进行加权求和，其权值如下：

4、数据介绍

我们将数据完全读入，可以看到数据的组织形式如下：

可以看到数据的组织形式十分的简练，但是在训练集里面一共有2亿条数据，数据包含有四列：['session','aid','ts','type'],记录了session的用户的这三种行为，我们挑选几个Session，来根据时间来可视化一下用户的行为类型。

我们对数据中的三种行为的占比进行可视化：

可以看到，用户的绝大多数行为是点击行为，对于加购和购买行为几乎很少。

bassline分析

Item-CF的思路

由于数据量极其的大，我们这里只使用最简单的基于统计的方法来完成此次baseline，这里我们使用Item-CF的思路，通过统计得出Item-Item的相似度矩阵，然后根据用户的行为，推荐出相似的Item以完成Top-20推荐。

由于数据量实在太大，我们这里只采样3000000个session完成下面的baseline。

在过滤完数据之后，我们来生成Item-Pair，这里要注意，每一个Item-Pair都是由在同一天同一个Session中相邻的Item对构成。

在完成计算Item-Item的相似度之后，我们就可以来根据相似度矩阵来进行推荐了，其推荐函数如下：

这样就可以完成对用户的推荐了，这里要注意，我们对不同行为的推荐结果都是相同的，由于只有点击行为的数据是非常丰富的，对于其他行为，数据是非常少的，所以这里就直接对这三个行为进行了相同的推荐。

可以看到，我们这次的Baseline的代码非常简单，而且效率非常的高，使用Kaggle自带的CPU环境只需要10分钟+就可以完成全流程的跑测，线上得分：0.553，虽然这个得分不是很高，但是这个baseline跑测效率较高，代码结构易懂，其潜力还是很大的～

关注【学姐带你玩AI】公众号，回复“OTTO”领取baseline

扫描二维码👇报名本场新赛