第5名解决方案 (Carno & 2U & Jiahong的部分)

与其他受益于 @radek1 和 @cdeotte 的参赛者一样，我们感谢他们对本次比赛的巨大贡献。我们还要感谢组织者和 Kaggle，我希望本次比赛中发生的一切最终能有一个令人满意的结局。

太长不看版 (TL; DR)

我们的解决方案是两个团队先前解决方案的组合版本。在团队合并之前，我们的训练-验证集划分、召回方法、特征集和重排序模型都不尽相同。我们不仅简单地对独立的提交文件进行集成，还交换了特征以进一步提高效果。

集成方法

在这里，我们用小写字母表示一个提交版本 (a, b, ...)，它可以是一个重排序器的5折集成，也可以是两个或更多提交的集成。S1 和 S2 分别是公共验证数据集划分和私有重新生成的验证数据集划分。R1 和 R2 是两种不同的召回方法。F1 和 F2 是两个不同的特征集，F'1 和 F'2 是重要的特征子集。XGB 和 CBT 分别表示 XGBoost 二分类器和 CatBoost 排序器。"+" 表示分数集成，意味着我们对多个模型的原始输出取平均值来对候选者进行重排序。"&" 表示索引集成，意味着我们为前20个候选者分配从 1.00 到 0.05（步长为 0.05）的索引分数，然后使用索引分数的总和对候选者进行重排序。"*" 表示集成过程中的权重。

我们的最终解决方案 i 如下：

• c = a * 0.45 & b * 0.575
• d = d1 * 0.5 + d2 * 0.5
• e = e1 * 0.5 + e2 * 0.5
• g = c * 0.5 & d * 0.4 & e * 0.6
• h = (c * 0.5 & d * 0.5) & f * 0.5
• i = g * 0.6 & h * 0.5

召回方法

R1

该召回方法基于公共共现矩阵 Notebook 开发（包含4个矩阵：点击、加购、下单和买2买），并使用 Numba 进行了优化。具体的数值将随代码一同发布。

R2

占位符 (PLACEHOLDER)

特征集

F1