第8名解决方案

首先，感谢 Kaggle 和 H&M 团队举办了这场有趣的比赛！
我非常高兴能获得单人金牌并成为 Kaggle Master！
我将分享我的解决方案。

概述

基本策略与其他顶级获奖者相同，包含以下三个步骤：

1. 为每位客户生成商品候选
2. 创建特征
3. 使用 LGBMRanker 进行学习排序

候选生成

我为所有候选类型选择了前 100 个候选。

特征工程

客户特征

我创建了各种客户特征，但没有效果。

商品特征

• 商品属性（排除了 article_id 和 product_cd，因为会导致过拟合）
• 过去 N 天或 N 周的销量
• 平均销售渠道 ID
• 发布日期
• 平均价格
• 复购统计
• 产品代码统计
• 在候选类型中的排名

客户 x 商品特征

• 购买与候选商品具有相同属性的商品数量
• 购买与候选商品具有相同属性的商品的日期
• 客户平均价格与商品平均价格之差
• 基于用户的协同过滤得分

模型

我使用了 LGBMRanker 模型，并针对每个 CV 折叠进行训练。
我对每个 CV 折叠的模型预测结果进行了加权集成：

• 验证集：第 98 - 104 周（7 折）
• 训练集：验证集之前的最后 3 周