基于对抗验证的轻量级提升模型用于用户响应预测
机器学习
2023-10-09 v1 人工智能
摘要
由 ShareChat 组织的 ACM RecSys Challenge 2023 旨在预测应用被安装的概率。本文描述了针对该挑战的轻量级解决方案。我们将该任务表述为用户响应预测任务。为快速原型开发，我们提出了一种轻量级方案，包括以下步骤：1）使用对抗验证，我们从数据集中有效剔除无信息特征；2）为处理含噪声的连续特征以及具有大量唯一值的类别特征，我们采用特征工程技术；3）我们利用梯度提升决策树（Gradient Boosted Decision Trees, GBDT）因其卓越的性能与可扩展性。实验表明，单个 LightGBM 模型无需额外集成即表现相当良好。我们的团队以最终排行榜分数 6.059065 在挑战中取得第九名。我们的方法代码可在此处找到：https://github.com/choco9966/recsys-challenge-2023。
引用
@article{arxiv.2310.03778,
title = {Lightweight Boosting Models for User Response Prediction Using Adversarial Validation},
author = {Hyeonwoo Kim and Wonsung Lee},
journal= {arXiv preprint arXiv:2310.03778},
year = {2023}
}
备注
7 pages, 4 figures, ACM RecSys 2023 Challenge Workshop accepted paper