概述

本月在工作之余，参加了“京东杯2019第六届泰达创新创业挑战赛-用户对品类下店铺的购买预测”，半个多月的时间，最终成绩a榜第五，b榜第七，在这进行总结，把整个建模过程进行记录。

问题描述

对于电商来说，好的用户画像一直是双赢地事，一方面能更好地为客户服务，带来更好地消费浏览体验，另一方面给平台带来更多地收益，包括用户停留时长以及转换为用户购买。而这个过程中，算法能有很多实际地应用场景。 该问题中，出题方提供了来自用户、商家、商品等多方面数据信息，包括商家和商品自身的内容信息、评论信息以及用户与之丰富的互动行为。我们需要通过数据挖掘技术和机器学习算法，构建用户购买商家中相关品类的预测模型，输出用户和店铺、品类的匹配结果，为精准营销提供高质量的目标群体。

数据详情

训练数据

提供2018-02-01到2018-04-15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。

预测数据

提供 2018-04-16 到 2018-04-22 预测用户U对哪些品类和店铺有购买，用户对品类下的店铺只会购买一次。

数据字典

行为数据（jdata_action）

评论数据（jdata_comment）

商品数据（jdata_product）

商家店铺数据（jdata_shop）

用户数据（jdata_user）

解题思路

1. 按照传统的比赛建模思路：数据清洗，构建样本，特征工程后使用LightGBM(Xgboost)树模下进行二分类预测。关键是样本+特征。
2. 针对每一个用户，构建一条行为序列，采用序列建模思路。使用RNNs类方法。（学习门槛较高，希望这方面有理解和实际经验的同学指导下）

数据处理

数据EDA

行为序列

可以看到数据在2月波动比较大，因为在收到春节以及春节前的年货大促影响。之后二月底到三月之后数据开始稳定。 同时327和328两天，浏览数据出现异常，不知道具体缘由。在做特征的时候需要注意。

样本数量的分布

1. 蓝色表示每天的产生下单的购买数。可以发现每天的数量是稳定的。(尽管略微下降)
2. B040？表示那天有行为的用户的每天的下单样本数。可以发现的是存在大量的用户是缺少历史行为的。召回率存在上限。

1. 当天产生行为后，未来会购买的概率随着时间递减。符合经验。

1. 蓝色为4月8日行为用户的的未来七天下单分布。橘色和绿色分别表示为最后行为日期为4月7日和4月6日的用户在未来七天的下单分布。可以看到递减迅速。所以在本场景下最终预测时直接拿最后一天（0415）的样本进行预测就取得了最优的结果。

用户的分群

用户对用户行为的探讨，分为三类进行建模。

1. 第一类用户，发现存在只有type==2操作行为的，这部分考虑通过规则来提取，最后汇入结果看收益，当前规则 最后七天存在两次购物行为。
2. 第二类用户，有过加购物车行为的用户。在0408-0415时间段
3. 第三类用户为总量用户除去前两类用户。

在建模过程中发现，第二类用户的购买转化率是最高的。只拿该部分建模可以进入前二十。第一类用户可以用规则覆盖(比如最近七天存在两次以及两次以上的购物行为等)。

数据里的坑总结

1. 从时间序列角度出发,该场景数据本平稳，但是受节假日影响早期存在波动。
2. 数据缺失奇怪.怀疑 是主办方故意挖的坑。主要是两点。一是327，328两天浏览数据显著缺失异常。二是加入购物车行为只有408-415期间内存在。所以在数据选取时保守出发。
3. 部分用户的行为，在其他表中找不到关联。该部分数据都认为脏数据处理。

样本构建

样本粒度

1. 用户-品类-最后行为时间-标签
2. 日期-用户-商品sku-标签（商品 决定了 品类和标签）
3. 日期-用户-品类-商店-标签
4. 日期-用户-品类-标签 -> 用户-品类-商店-标签
5. 前面都是按天构建样本，是否可以按照时间段构建样本，想到这一点的时候已经在比赛末期，试错成本较高，故放弃。

最终的选择

本次比赛最后选择 最直观的 日期-用户-品类-商店-标签 构建样本，并且在 该样本的基础上构建特征。该部分详情可以参考下一节的特征工程介绍。 其中对标签的定义是： 该用户在该日期的未来3天对该品类在该商店是否产生购买。 用4月8日到4月12日构建训练样本。 4月13日到4月15日构建测试样本。具体的生成逻辑为：

samples = jdata_action.groupby(['user_id','cate','shop_id','action_date'])\
         .size().reset_index()[['user_id','cate','shop_id','action_date']]
# 获得样本 三天内有购买
def get_samples(dat,dat2):
    sample = samples[samples.action_date==dat]
    target = jdata_action[(jdata_action.type==2) & (jdata_action.action_date>dat)& (jdata_action.action_date<=dat2)].groupby(['user_id','cate','shop_id']).size().reset_index().rename(columns={0:'flag'})
    sample = pd.merge(sample,target,on=['user_id','cate','shop_id'],how='left')
    sample = sample.fillna(0)
    sample['flag'] = sample.flag.map(lambda x: 1 if x>=1 else 0)
    return sample

关于样本构建的思考

样本构建在本场景中对效果影响非常的大。这里给出一些我对样本构建的思考。

1. 样本的标签需要符合实际业务。这里是预测未来七天的购买情况。但真实构建样本过程中，我们不一定确定未来七天有购买的是正样本。我们可以灵活地选择，可以选择三天四天，甚至可以未来一天购买的才算正样本。 因为七天只是体现出一个购买意愿问题。
2. 样本的粒度非常重要。比如该问题中需要解决的 用户-品类-商店-标签 对是基本的样本。但是实际构建过程中，我们可以训练 用户-商品-标签 对，然后自然而然地获得 用户-品类-商店-标签。 我们也可以做一个 用户-品类-标签 为样本的模型，然后再做 品类-商店-标签 为样本的模型，分层次构建样本以及建模。
3. 不同层次的样本粒度，也会影响特征工程的构建。所以模型建立的过程都是一环扣一环，各关节息息相关的。

特征工程

基础特征

1. 用户基础特征：用户注册年份，用户注册天数，年龄，性别，用户等级，城市等级，用户的地点（省份，城市，城镇）
2. 商店基础特征：粉丝数，会员数，商店评分，商店注册年份和天数

转化率特征

1. 这里简单的应用了行为占比来统计转化率。并且认为加购物车，关注，评论等行为是购买意愿的体现，所以做了各行为的占比率视为转化率。从用户，品类，商品等粒度进行统计，并且交叉计算。 转化率计算脚本：为了更好地表示比例，进行了简单地平滑操作

    # 获得历史上的单特征转化率数
    def get_Conversion1_rate(self, date, cols, change_type):
        tmp = self.jdata_action[self.jdata_action.action_date < date]
        mean_rate = sum(tmp.type == change_type) * 1.0 / sum(tmp.type == 1)
        data = pd.merge(
            tmp[tmp.type == 1].groupby(cols).size().reset_index().rename(columns={0: cols + '_action1_counts'}), \
            tmp[tmp.type == change_type].groupby(cols).size().reset_index().rename(
                columns={0: cols + '_action2_counts'}), on=cols, how='left')

        data = data.fillna(0)
        data[cols + '_action1_counts'] = data[cols + '_action1_counts'].map(lambda x: x + 1000)
        data[cols + '_action2_counts'] = data[cols + '_action2_counts'].map(lambda x: x + 1000 * mean_rate)
        data[cols + '_' + str(change_type) + '_coversion_rate'] = data[cols + '_action2_counts'] * 1.0 / data[
            cols + '_action1_counts']
        return data[[cols, cols + '_' + str(change_type) + '_coversion_rate']]

    # 获得历史上的交叉特征转化率
    def get_Conversion2_rate(self,date, cols1, cols2, change_type):
        tmp = self.jdata_action[self.jdata_action.action_date < date]
        mean_rate = sum(tmp.type == change_type) * 1.0 / sum(tmp.type == 1)
        data = pd.merge(tmp[tmp.type == 1].groupby([cols1, cols2]).size().reset_index().rename(
            columns={0: cols1 + "_" + cols2 + '_action1_counts'}), \
                        tmp[tmp.type == change_type].groupby([cols1, cols2]).size().reset_index().rename(
                            columns={0: cols1 + "_" + cols2 + '_action2_counts'}), on=[cols1, cols2], how='left')

        data = data.fillna(0)
        data[cols1 + "_" + cols2 + '_action1_counts'] = data[cols1 + "_" + cols2 + '_action1_counts'].map(lambda x: x + 500)
        data[cols1 + "_" + cols2 + '_action2_counts'] = data[cols1 + "_" + cols2 + '_action2_counts'].map(lambda x: x + 500 * mean_rate)
        data[cols1 + "_" + cols2 + '_' + str(change_type) + '_coversion_rate'] = data[cols1 + "_" + cols2 + '_action2_counts'] * 1.0 / \
                                                                                    data[cols1 + "_" + cols2 + '_action1_counts']
        return data[[cols1, cols2, cols1 + "_" + cols2 + '_' + str(change_type) + '_coversion_rate']]

历史行为特征

1. 从用户，品类，商店三维度统计历史上（1,3,7,21天的行为统计特征）
2. 对上诉三个维度进行交叉，用户-品类，用户-商店，品类-商店，用户-品类-商店 等维度构造历史行为统计特征。这些是最主要的特征（从效果和特征数上都是主要的，共有500多维的统计特征）

数量很多，举例说明： user_action1_skus_7day：用户在七天内浏览的商品（sku）数量 cate_action2_shops_7day：该品类七天内在几家商店被购买 user_cate_action5_counts_3day：用户三天内将该品类（cate）加入购物车的数量

评论特征

因为评论数据的粒度是sku，也就是商品，所以需要汇总到品类(cate)粒度或者商店(shop)粒度后使用，作为对品类的描述或者对该商店的描述。

1. 该商店的评论数，好评数，差评数，好评率(平滑)，差评率(平滑)
2. 该品类的评论数，好评数，差评数，好评率(平滑)，差评率(平滑)
3. 该商店中该品类的评论数，好评数，差评数，好评率(平滑)，差评率(平滑)

静态特征

用来描述一些需要统计的店铺静态特征，比如：

1. shop_cate_own_sku：该商店该品类下的商品数量。
2. cate_own_skus：该品类下的商品数
3. 该商店下的品类数，该品类被几家商店购买等。

时间特征

时间特征不是样本时间，我只采用了一周的数据构建样本，所以没有加入日期进行刻画。 这里的时间特征是刻画行为频率的。主要通过天粒度的行为平均间隔，最短间隔以及间隔方差等来刻画。 以及用户某种行为，或者品类被行为的 最近时间，最远时间等。

排序特征和比例特征

用来刻画程度。 比如用户最喜欢逛的商店，某商店最热门的品类。 用户浏览的商店中，某家商店占比多少。 诸如此类。

模型选择和训练

评价指标

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： （1）该用户2018-04-16到2018-04-22是否对品类有购买，提交的结果文件中仅包含预测为下单的用户和品类（预测为未下单的用户和品类无须在结果中出现）。评测时将对提交结果中重复的“用户-品类”做排重处理，若预测正确，则评测算法中置label=1，不正确label=0。 （2）如果用户对品类有购买，还需要预测对该品类下哪个店铺有购买，若店铺预测正确，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： 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。

关于评价指标的理解

1. 该评价指标是f1的变形。该类指标需要注意的是召回率和准确率的Trade-Off。
2. 模型效果达到一定程度后，相对来说，高召回意味着低准确，高准确必然面临低召回。可以根据业务进行调整。比如想优惠更大群用户，就可以高召回下发放优惠券。
3. 可以通过三次提交破解出 真实的样本数量，然后计算出每次提交的召回率和准确率。

具体破解如下：

1. 提交版本1，数量为n，获得f1_score1
2. 提交版本2，数量为m，获得f1_score2
3. 需要注意，前两个版本没有交集，则合并两个提交版本组成新的版本3，数量为n+m，获得f1_socre3 这里我们获得了三个方程，然后可以求解出三个未知数：版本1正确数，版本2正确数，线上验证集总数 当然，破解方法不算建模本身，但是对评价指标进行更深入的理解是有必要的。

模型总结

1. 在建模过程中，发现不同用户之间的行为是不一样的。所以就面临一个决策：用特征来刻画用户，区分他们地行为， 还是根据行为不同先对用户群体进行分群，然后针对每个群体进行建模。 这里给出我的一点经验：那种显著区分的群体，就是各群体的其他特征有其明显分布特色的，当混在一起时分布容易打情况下，分群建模更加直观且易于理解，效果也不一定更差。当然不分群建模的话，在数据量上有天然的优势。
2. 样本的定义非常重要？ 如何构建合适的样本，有经验的同学可以在评论区给与下指导。
3. 相同样本定义的情况下，特征工程决定了最终的效果。强特（类似规则）能抓住显著样本（高分段），大量的补充特征（弱特）通过模型能够挖掘出长尾特征。
4. 切记！！时间序列问题的交叉验证防止穿越问题！！！

代码文档

Reference

1. LightGBM：https://lightgbm.readthedocs.io/en/latest/
2. 比赛链接：https://jdata.jd.com/html/detail.html?id=8
3. github代码文档：https://github.com/vinklibrary/jdata_code
4. 数据链接：