Booking.com机器学习比赛

简介: Booking.com机器学习比赛

1 比赛简介


比赛链接:https://www.bookingchallenge.com/


Booking.com的使命是使每个人都能更轻松地体验世界。通过投资有助于缓解旅行摩擦的技术,Booking.com将数百万名旅行者与难忘的经历,各种交通选择和令人难以置信的住宿地点无缝连接在一起。


许多旅行者进行的旅行包括多个目的地。例如,来自美国的用户可以飞往阿姆斯特丹5晚,然后在布鲁塞尔停留2晚,在巴黎停留3晚,在阿姆斯特丹停留1晚,然后再返回家中。在这种情况下,我们建议您在预订后立即延长行程的选项。

这项挑战的目标是使用基于数百万个真实匿名住宿预订的数据集,提出针对其下一个目的地做出最佳推荐的策略。


Booking.com释放这种独特的数据集,以鼓励顺序的建议问题的研究。


62.png

该挑战 是WebTour 2021 ACM WSDM网络旅游研讨会的一部分,该研讨会将在第14届ACM国际2021 WSDM会议上举行


2 数据集


训练数据集包含基于真实数据的超过一百万个匿名酒店预订,并具有以下功能:

user_id-用户ID

check_in-预订签入日期

checkout -预订签出日期

affiliate_id-会员的匿名ID其中,从布克(例如直接,一些第三方的推介,付费搜索引擎等)来到通道

device_class-笔记本/手机

booker_country -从哪个国家保留作出(匿名)

hotel_country -酒店的国家(匿名)

city_id-酒店所在城市的city_id(匿名)

utrip_id -用户行程的唯一标识(同一行程内的一组多目的地预订)

每个预订都是客户旅程的一部分(由utrip_id标识),其中至少包含4个连续的预订。两个连续预订的退房和入住日期之间有0天或更多天。


评估数据集的构造类似,但是每次旅行的最终预订的city_id被隐藏,需要进行预测。


3 评估标准


挑战的目标是预测(并推荐)每次旅行的最终城市(city_id)(utrip_id)。我们将使用Top-4准确性指标(其中4个代表Booking.com网站上的四个建议栏),根据每次旅行推荐的前四名城市评估预测的质量。如果真实的城市是排名前四的建议之一(无论顺序如何),则认为它是正确的。


4 比赛条款


该数据集是Booking.com的财产,不得重复用于商业目的。


在线旅游平台公司或其他预订服务的员工(包括Booking Holdings员工)没有资格竞争挑战奖品。


参与者只能参加一次,团队之间不得同时提交或共享代码。

组织者有权更改奖项,以奖励其货币价值相等的奖项。


5 提交准则


该测试集将在2021年1月14日发布到已注册的电子邮件中。预计团队将在测试集每次旅行中提交他们每次旅行的前四名城市预测,直到2021年1月28日。提交应在easychair网站(https ://easychair.org/conferences/?conf = bookingwebtour21)。在带有以下各列的名为Submit.csv的csv文件中;


63.png


其中utrip_id代表测试中的每个唯一行程,其余列代表预测的前4个城市的city_id。

2021年2月4日,组织者将在测试台上展示性能,并宣布最终的排行榜。


将邀请排名前10位的团队提交简短论文(最多4页+ ACM sigconf格式的参考文献)。这些论文将包括团队和作者的姓名,摘要,描述方法和所获得分数的文字以及指向其代码库的链接。请以以下格式参考Booking.com WSDM WebTour 21挑战:

Dmitri Goldenberg, Kostia Kofman, Pavel Levin, Sarai Mizrachi, Maayan Kafry, and Guy Nadav. 2021. Booking.com WSDM WebTour 2021 Challenge. https://www.bookingchallenge.com. In ACM WSDM Workshop on Web Tourism (WSDM Webtour’21), March 12, 2021, Jerusalem, Israel.


为了获得奖项(最高3分和最佳论文奖),必须提交论文。选定的论文应在研讨会上以虚拟形式展示其工作。请注意,纸张质量将经过同行评审。论文写得不好或没有参加研讨会,可能会阻止团队获得奖品。提交的论文将根据其清晰度,新颖性和结果介绍进行同行评审和评估。

相关文章
|
3月前
|
机器学习/深度学习 存储 算法
基于Flask+Bootstrap+机器学习的世界杯比赛预测系统
基于Flask+Bootstrap+机器学习的世界杯比赛预测系统
58 0
|
机器学习/深度学习 数据挖掘
|
机器学习/深度学习 人工智能 算法
机器学习(十四) 机器学习比赛网站
机器学习(十四) 机器学习比赛网站
113 0
|
机器学习/深度学习 Java 数据处理
基于机器学习的数据处理的各级建模比赛的步骤
在建模比赛中,我们对数据的处理有一定的规则以及得出最优解
|
机器学习/深度学习 算法 计算机视觉
Interview:算法岗位面试—10.23下午—上海某科技公司算法岗位(偏机器学习算法,上市)技术面试之比赛积累、项目经验、个人未来发展
Interview:算法岗位面试—10.23下午—上海某科技公司算法岗位(偏机器学习算法,上市)技术面试之比赛积累、项目经验、个人未来发展
|
机器学习/深度学习 自然语言处理 数据可视化
Competition——ML/DL:机器学习、深度学习各种计算机视觉、自然语言处理、科学预测等等比赛竞赛简介
Competition——ML/DL:机器学习、深度学习各种计算机视觉、自然语言处理、科学预测等等比赛竞赛简介
Competition——ML/DL:机器学习、深度学习各种计算机视觉、自然语言处理、科学预测等等比赛竞赛简介
|
机器学习/深度学习 Python
ML之预测:玩转2018世界杯—采用机器学习预测小组赛、十六比赛、四决赛、半决赛、决赛以及世界杯总冠军的各个队伍
ML之预测:玩转2018世界杯—采用机器学习预测小组赛、十六比赛、四决赛、半决赛、决赛以及世界杯总冠军的各个队伍
ML之预测:玩转2018世界杯—采用机器学习预测小组赛、十六比赛、四决赛、半决赛、决赛以及世界杯总冠军的各个队伍
|
机器学习/深度学习 SQL 人工智能
阿里大航杯AI电力大赛比赛分享及数加平台,机器学习pai使用经验
本文主要以阿里云大航杯“智造扬中”电力AI大赛 数据为背景,讲述博主自己的比赛经历以及数加平台和机器学习pai的使用经验
10548 1
|
2月前
|
机器学习/深度学习 存储 搜索推荐
利用机器学习算法改善电商推荐系统的效率
电商行业日益竞争激烈,提升用户体验成为关键。本文将探讨如何利用机器学习算法优化电商推荐系统,通过分析用户行为数据和商品信息,实现个性化推荐,从而提高推荐效率和准确性。
|
1月前
|
机器学习/深度学习 算法 搜索推荐
Machine Learning机器学习之决策树算法 Decision Tree(附Python代码)
Machine Learning机器学习之决策树算法 Decision Tree(附Python代码)