Baseline是提供思路的，不是照着抄的哦

赛题链接

http://challenge.ai.iqiyi.com/detail?raceId=61600f6cef1b65639cd5eaa6

赛题描述

爱奇艺是中国和世界领先的高品质视频娱乐流媒体平台，每个月有超过5亿的用户在爱奇艺上享受娱乐服务。爱奇艺秉承“悦享品质”的品牌口号，打造涵盖影剧、综艺、动漫在内的专业正版视频内容库，和“随刻”等海量的用户原创内容，为用户提供丰富的专业视频体验。

爱奇艺手机端APP，通过深度学习等最新的AI技术，提升用户个性化的产品体验，更好地让用户享受定制化的娱乐服务。我们用“N日留存分”这一关键指标来衡量用户的满意程度。例如，如果一个用户10月1日的“7日留存分”等于3，代表这个用户接下来的7天里（10月2日~8日），有3天会访问爱奇艺APP。预测用户的留存分是个充满挑战的难题：不同用户本身的偏好、活跃度差异很大，另外用户可支配的娱乐时间、热门内容的流行趋势等其他因素，也有很强的周期性特征。

本次大赛基于爱奇艺APP脱敏和采样后的数据信息，预测用户的7日留存分。参赛队伍需要设计相应的算法进行数据分析和预测。

数据描述

本次比赛提供了丰富的数据集，包含视频数据、用户画像数据、用户启动日志、用户观影和互动行为日志等。针对测试集用户，需要预测每一位用户某一日的“7日留存分”。7日留存分取值范围从0到7，预测结果保留小数点后2位。

评价指标

本次比赛是一个数值预测类问题。评价函数使用：

n是测试集用户数量，F是参赛者对用户的7日留存分预测值，A是真实的7日留存分真实值。

数据集简单梳理

这里主办方给了5张表，主要包括了两个维度的信息，第一个维度是用户和APP交互的信息，第二个维度是用户和Video的交互信息，用户在登录APP的时候，会与若干的Video进行交互，这里是的APP数据和Video的数据可以认为是一个上下级的关系，下面简单的介绍一下主办方给的这5张表。

1.User portrait data

这部分数据主要描述了User的个人信息

2.APP launch logs

这张表是本次比赛的核心表，这里记录的用户和APP交互的历史记录，也是我们后续标签构造的来源

3.Video related data

这张表是描述视频相关的信息，这些视频是由用户在登录APP之后观看所得

4.User playback data

这张表记录了每个用户观看视频的历史记录，并且记录了每次的观看时间

5.User interaction data

这张表记录了每个用户和视频发生交互时的交互方式，和第四张表有一点重复

赛题标签的理解

本次赛题需要比赛选手预测user在指定的时间点后7天有几天登陆爱奇艺APP，但是这里主办方并没有给相关标签，这里就需要我们自己通过用户登陆APP的日志来手动进行构造，这里的构造的思路如下

第一步：从APP launch logs中提取出每个用户的登录APP的序列

第二步：我们对所有用户选择一个end_date作为参考点，将end_date后7天的用户等APP的天数作为标签，这样便人为构造了标签，注意这里的end_date的选取有两种情况

• 第一种情况是用户登录APP的记录过少，如果用户登录APP的最新的天与最早登录APP的天之间少于7天的话，我们认为这种用户的历史记录过少，这里我们对这种用户直接随机选取end_data

• 第二种情况是用户登录APP的记录较多，如果用户 登录APP的最新的天与最早登录APP的天之间大于7天的话，那么我们认为这类用户的历史行为信息就较为丰富，我们在选取end_data的时候就尽可能在用户的历史信息序列里面进行选取，这样就可以尽可能的利用用户的历史行为信息，代码如下：

• 第三步：我们在获取的end_date之后便可以统计当前end_date之后7天的用户登录APP的天数，这样便完成的标签的构造

特征工程

在完成了数据的标签的构造之后，我们就该开始考虑如何对这些数据进行特征工程的构建，由于标签的构造和时间序列是强相关的，所以在特征工程方面我们也考虑对一些序列进行操作，这里主要分为两步

• 第一步：对每个user获取在end_date前31天的用户和APP的交互序列，这里我们将用户登录APP并且launch_type=1的情况赋值为2，对用户登录APP并且launch_type=0的情况赋值为1，对用户没有登录APP的情况赋值为0，这样我们就得到了一个长度为31的仅仅包括0，1，2的序列了

• 第二步：我们对前面所得的用户登录序列统计在end_date前X天用户和APP交互的天数，从直观上理解这个操作就是如果用户在end_date前X天有很多天都登录APP的话，那么他未来7天登录APP的天数就会比较多，所以，我们考虑构造用户在end_date前X天的登录情况，注意，这里的X的取值可以非常灵活，由于我们前面的序列长度仅仅是31，所以这里的X的取值也尽可能把0-31都取一次，但是最好加上一些间隔，不然会有大量的冗余信息，代码如下:

这样便完成了特征工程的部分，这里一共构建了8个时序特征。

完整baseline，在【学姐带你玩AI】公众号，关键词“爱奇艺”

模型训练

在完成标签构造和简答你的特征工程之后，我们就要开始模型训练了，这里我们采用了5折交叉验证来进行本次baseline的训练，其代码如下：

模型结果&特征重要性

在训练结束之后可以使用Lightgbm自带的接口来查看所使用的特征的重要程度，本次baseline的特征重要性程度结果如下：

从这个结果我们可以看出，这次最强的特征是end_date前31天的登陆天数

Baseline特点

1. 此次baseline是为数不多非常易懂的baseline，更适合小白拿来入门

2. 此次baseline的可扩展性极强，仅用了8个简单特征就达到了线下87+，线上84+

优化方向

• 对序列进行更多的统计操作

• 构造更多的序列

• 加入用户相关的特征

完整baseline

关注【学姐带你玩AI】公众号，关键词“爱奇艺”