第12名 方案分享

首先，我要感谢比赛主办方。
在这里，我将尝试总结我们解决方案的一些要点。

GBDT 部分 ( @onodera )

@onodera 尝试通过使用 GBDT (XGB) 构建 3 个模型来解决这个推荐任务。

1. 复购 (Reorder)
   预测客户是否会购买其之前购买过的商品。
2. 新品 Top1k (new item top1k)
   预测客户是否会购买过去 1 周内购买次数最多的商品（前 1000 名）。
3. 其他颜色
   预测客户是否会购买其之前购买过的产品的不同颜色版本。

通过融合上述输出，在 Public LB 和 Private LB 上均获得了 0.03242 的分数。

神经网络部分 ( KF )

我使用了基于 @aerdem4 发布的优秀 baseline notebook 的端到端 (E2E) 神经网络方法。

1. 学习候选商品与交易商品之间的度量关系
   • 将以下信息编码到商品的嵌入向量中
     • 商品元信息 ID（例如产品代码）
     • 通过 PCA 压缩的 EfficientNet 图像特征
     • 使用 Deep Walk 和 Word2Vec 生成的图嵌入
   • 使用以下分类损失进行训练。
2. 二分类预测候选商品是否会被购买
   • 与每个候选商品相似的 Top 2~5 交易商品特征
     • 通过度量学习模块计算的相似度分数
     • 距离上次购买的时间统计特征
   • 优化 BCELoss 和 DiceLoss

每个单模型在 LB 上获得了 0.298~0.303 的分数。

神经网络堆叠 部分 ( @shimacos )

@shimacos 使用 LightGBM 从 KF 的多个神经网络模型中构建了 2 个堆叠 模型。
通过引入这些模型，加权融合的结果从 0.03377 提升到了 0.03394。

加权融合 ( KF )

我使用 Optuna 直接优化 MAP@12 指标，融合了 GBDT、NN 和堆叠 NN 模型。
最终获得了 CV: 0.04047，Public LB: 0.03389，以及 Private LB: 0.03394 的成绩。