barryzm/2019bdc

2019**高校计算机大赛——大数据挑战赛 第一名解决方案

2019高校大数据挑战赛

• 比赛地址：2019高校大数据挑战赛

赛题分析

1. 赛题任务

   • 比赛以字节跳动旗下的某些 APP（如今日头条）作为实际场景，根据用户输入的关键词（query）和系统推荐的文章标题（title），来预测某个 query 下 title 的点击率

   比赛召回部分（候选集）已经确定，因此影响比赛成绩的因素（如文本预处理等）少了很多，所以我们需要做的就是排序部分（文本匹配）的工作

2. 比赛数据

   • 脱敏后的 query 和网页文本数据，已经分词为 term 并脱敏，term 之间使用空格分割。
   • 初赛 1 亿数据量，复赛 10 亿数据量（数据量是比较大的，所以需要合理安排线上平台资源的分配）
   • 下面是训练集的数据格式，而测试集不含 label

3. 评估指标

   • 评估指标是 qAUC，即每组 query 下的平均 AUC（Area Under Curve）值，其中 AUC_i 为同一个 query_id 下的 AUC，计算得到的 qAUC 越大越好

解题思路之机器学习

1. 机器学习

   • 如果将这个题目可以看作：(文本)点击率预估的问题，则可以直接使用机器学习或者数据挖掘的方法来求解，即进行 特征工程+模型优化 的方法
   • 另外，由于这是一个中文文本相关的赛题，因此特征工程方面有很多是提取文本相关的特征，因此需要了解一些自然语言处理和中文文本处理的前置知识（比如对句子进行分词的统计、TF-IDF 技术、词的表征方法等，都可以在网上找到相关的资料来学习）

2. 特征工程

   • 统计特征 query/title 的长度/重复出现的数量，公共词的数量及在 query/title 中的占比和多项式特征，每组 title 长度的最大值最小值和平均值、不同粒度下的 CTR 特征 …
   • 距离特征 基于词向量：canberra 距离，曼哈顿距离，欧几里得距离，braycurtis 距离，相关系数 … 基于离散的词：曼哈顿距离，欧几里得距离，jaccard 距离，levenshtein 距离，levenshtein_jaro 距离，汉明距离 …
   • 相似度特征 基于词向量：余弦相似度、levenshtein 相似度 … 基于离散的词：余弦相似度、共现词的数量及占比 …
   • 语义特征 N-Gram 特征、TF-IDF 特征、首词/末词/词的顺序以及出现位置 …

3. 特征选择

   • 在这里我们主要使用了过滤法（filter）和包裹法（wrapper），以及结合 LightGBM 的特征重要度（feature_importance）来进行筛选

4. 模型建立

   • 考虑到本赛题的样本量比较大，因此使用 LightGBM 来建立模型，它计算速度比 XGBoost 更快，而且科赛平台的技术人员已经为我们安装了 GPU 版本的 LightGBM，因此可以使用 GPU 进行加速计算（为科赛的小哥哥小姐姐点赞👍）

5. 方法小结

   • 机器学习模型的上限不高，因为它无法完全利用文本的信息，也许做更加精细的关于文本的特征可能会有更好的效果，但是这种特征是比较难以想到或者不存在的

后面在决赛答辩的时候，了解到其他队伍利用了 BM25 相关度特征和一些自定义的 CTR 特征来提升模型结果

推荐一些文本处理工具库：Levenshtein、Textdistance、Difflib、Fuzzywuzzy 等

下图是部分重要特征分析：

解题思路之深度学习

1. 深度学习

   • 将这个题目可以看作：短文本匹配+点击率预估 的问题。使用深度学习的方法可以更好的捕捉到词/句子/段落/文本之间的关系，关键的一点就是找到对每个 term（本赛题是将每个词划分为term）的表示（比如词向量），再搭建深度神经网络来训练样本，从而得到不同文本之间（query和title）的相关程度
   • 而且本次比赛的数据量比较大，达到了上亿级别，因此也特别适合使用深度学习方法来进行建模

   

2. 词的表征方法

   • 词的表示方法有很多，主要是要考虑到不同词向量的适用场景和训练效率。fasttext 的训练速度很快、效果也不错，但由于这是一个脱敏的文本，因此其 subword 机制会受到一定影响；而目前很火的 BERT 预训练模型也无法使用，因为需要重新对这些脱敏后的 term 进行训练，而 BERT 的参数量太大，GPU 资源又有限，因此重新训练 BERT 是不可行的 …
   • 于是我们队伍最终使用了经典的 word2vec 来训练词向量（有一些文本是重复的，因此可以考虑去重后加速训练速度），这是一种静态的词向量表示方法，但对于这个比赛来说已经足够了。训练使用是 gensim 库的 word2vec。其中，数据量是训练集的全部数据（使用迭代方式来训练，否则可能会因为内存不够而导致训练失败），词向量维度：300，滑动窗口大小：5，最小词频数：3，训练轮数：5，训练方式：skip-gram
   • 其实，对词的表征方法还可以使用不同词向量来组合表示，比如将 word2vec 和 fasttext 训练出的词向量进行加权求和，或者直接将这两种词向量进行横向拼接，来形成一个维度更大的词向量。这种操作方式，在某些任务上可能会取得更好的效果

3. 深度神经网络

   • 在深度学习方面，我们最先直接使用深度学习模型来进行训练，但发现模型训练时 loss 比较高，无论是调节学习率、更换优化器还是增加数据量等，loss 都无法明显降低。直到后面在讨论区受到一些大佬的指点，发现在深度神经网络中融合其他特征，可以使得模型训练的 loss 进一步降低，从而学习到更多的信息
   • 主要尝试了 伪孪生网络 和 ESIM 模型。（伪）孪生网络的训练速度比较快，效果也还不错。而 ESIM 由于采用了 attention 机制将句子对齐，可以更好的学习到句子之间的语义关系，从而可以很好地进行匹配，效果相比于孪生网络的效果提升不少，但训练的时间开销也更大。然后，我们团队也对 ESIM 做了一些定制化的改进，在提升模型效果的同时减少时间开销
   • 模型训练的一些细节：batch size 为 512（考虑到显存大小），学习率随着 epoch 增加递减，优化器为 Adam，以及对句子使用了动态padding的操作等

   

4. 模型集成

   • 为了尽可能地利用数据量，我们以每 1 亿或 2 亿数据来训练一个模型，挑选出每1亿或2亿中训练效果最好的模型来进行模型融合，最终使用了约 8 亿数据，使用效果最好的几个模型，并根据线上的结果来进行线性加权融合，以尽可能来降低模型在最终测试集上的泛化误差
   • 下图是深度学习模型效果与数据利用率一种可能的关系

比赛总结

• 需要注重细节：对比赛赛题有清晰的认识，将会直接关系到最后的成绩。像这种数据集比较大的比赛，更需要合理安排资源（比如内存、显存资源）和时间（可以使用一些多进程等其他技术来提高设备的利用率），如果有需要可以列一个详细的计划安排表，还可以另外建立一个文档来记录团队已完成和待完成的事项
• 比赛过后，发现机器学习、深度学习的基础知识以及对一些框架地熟练使用对于做比赛是至关重要的，还有对一些最新前沿技术的了解与应用很多时候就是提升比赛成绩的关键
• 在这个比赛学习到了很多关于深度学习和自然语言处理的知识，也结交了一些朋友，一个团队良好的沟通对于比赛成绩的提高是至关重要的

最后感谢我的队友（llhthinker、vhdsih）、实验室的挚友和科赛平台的工作人员 ❣️