Kaggle虾皮商品匹配大赛银牌方案复盘

简介: Kaggle虾皮商品匹配大赛银牌方案复盘

27.png


历时两个月,Shopee比赛终于落下帷幕,我们队伍ID为Team Name,队员为“兰恒强”,在Private leadboard取得44名成绩,排名top2%,非常感谢队友小白Lanzhengheng的强力付出与贡献,另外我们也很感谢那些分享了他们的想法和知识的参赛选手,特别是@chirs 和@ragnar。


28.png


1 比赛简介



2 方案总结


30.png


我们的总体思路为:

  • 图像特征: CNN+Arcface
  • 标题文本: TF-IDF 、基于ArcFace微调的Bert/Indonesian Bert
  • 后处理:将预测结果数量为1的结果扩大为2
  • 投票选择结果:根据“少数服从多数”对不同模型的预测结果进行筛选


3 图像匹配


  • 余弦相似度:Efficient-B1,Efficient-B3,Efficient-B4,Efficient-B5,Efficient-B7,Desnet 101,eca_nfnet_l1
  • 损失函数: ArcFace
  • 优化器: Adam
  • 组合:通过组合不同图像模型的特征,输入到KNN计算目标商品与候选商品的相似度


4 文本匹配


  • 余弦相似度:基于Bert-en和Indonesian(马来语) Bert提取文本的特征向量,基于TfidfVectorizer提取词袋向量,输入到KNN获取目标商品与候选商品的相似度
  • Bert微调:基于ArcFace 损失函数利用Bert进行商品类别识别训练,获取模型权重


5 后处理与投票


5.1 重新召回结果


前期根据最优lb分数的模型预测结果,我们统计结果发现存在大量没有匹配的样本,也就是匹配结果只有它,自己匹配到了自己,所以可以降低匹配标准(增加匹配距离阈值或者调小相似度阈值)

def combine_init_recall(row):
    x = (row['matches_init'] + ' ' + row['matches_recl']).split()
    # 初始预测匹配数为1再召回,否则不召回
    if 1 == len(row['matches_init'].split()):
        return ' '.join( np.unique(x) )
    else:
        return row['matches_init']
df['matches_recl'] = df.apply(vote_recall_predictions, axis=1)
df['matches'] = df.apply(combine_init_recall, axis=1)


最开始结果数量为1的样本数为:

train data matches none recall one match shape:  (5283, 24)


后期可以减少到

train data recalled twice, only one match shape:  (592, 24)


提分有:0.01+


5.2 投票选择结果


因为不同模型的预测结果不一样或者存在噪音,那么可以根据模型性能设置投票的顺序,首选利用效果好的模型得到第一次结果,如果没有匹配到再使用次优模型的投票结果,合并之后得到最后的结果。

from collections import Counter
def vote_recall_predictions(row):
    x = np.concatenate([  row['image_recall1'] , row['image_recall3'] , row['image_recall3']
                        , row['image_recall13'], row['image_recall17'], row['image_recall37']
                        , row['image_recall137']
                       ])
    collection_matches = Counter(x)
    # 存在两个以上召回两个频次最大的,否则返回自身
    try:
        new_x = collection_matches.most_common(2)[0][0] + ' ' + collection_matches.most_common(2)[1][0]
    except:
        new_x = collection_matches.most_common(1)[0][0]
    new_x = new_x.split()
    new_x = np.concatenate([ row['oof_hash'], row['text_recall_660'], new_x ])
    # bert 放在最后做召回
    if len( np.unique(new_x) ) < 2:
        new_x = np.concatenate([ row['text_bert1'] , row['text_bert3'] ])
    return ' '.join( np.unique(new_x) )


6 做过的尝试


成功的尝试有:

  1. concat embedding:拼接不同模型的向量和组合不同模型的向量
  2. vote ensemble:投票选择结果
  3. post process:重新召回数量为1的结果

试过没用的:

  1. tta
  2. meta emb
  3. ....

另外“二分类”没有提升很多,其实第二名的第二阶段用到了lgb模型。


7 比赛总结


比赛已经结束,看到了前排大佬们的方案,有些想法还是不谋而合,有些想法是想到了但是没有尝试成功(需要坚持~),还有些想法之前没有听说过,学了很多名词,还有些想法非常细,很微妙。有遗憾有收获,最后再次感谢Team Mate:Lan和zhengheng,另外欢迎大家关注小白Lan-知乎,可以获取更多比赛baseline以及比赛方案推送。

相关文章
|
JSON API 数据格式
快手API接口:根据关键词获取海量商品列表的秘诀
快手API接口:根据关键词获取海量商品列表的秘诀
154 1
|
机器学习/深度学习 传感器 安全
2023 年高教社杯C题蔬菜类商品的自动定价与补货决策思路及代码(持续更新)
2023 年高教社杯C题蔬菜类商品的自动定价与补货决策思路及代码(持续更新)
|
SQL 存储 搜索推荐
基于线上考研资讯数据抓取的推荐系统的设计与实现(论文+源码)_kaic
随着互联网的飞速发展,互联网在各行各业的应用迅速成为众多学校关注的焦点。他们利用互联网提供电子商务服务,然后有了“考研信息平台”,这将使学生考研的信息平台更加方便和简单。 对于考研信息平台的设计,大多采用java技术。在设计了一个搭载mysal数据库的全人系统,是根据目前网上考研信息平台的情况,专门开发的,专门根据学生的需要,实现网上考研信息平台的在线管理,并定期进行各种信息存储,进入考研信息平台页面后,即可开始操作主控界面。系统功能包括学生前台:首页、考研信息、申请指南、资料信息、论坛信息、我的、跳转到后台、购物车、客服、管理员:首页、人人中心、研究生信息管理、学生管理、申请指南管理、资料信
|
数据挖掘 API
淘宝商品数据分析怎么操作?从哪些方面下手?
淘宝商品数据分析怎么操作?从哪些方面下手?
|
开发者
《开发者评测》之语雀评测活动获奖名单
语雀评测活动获奖名单出炉啦!
《开发者评测》之语雀评测活动获奖名单
|
数据采集 机器学习/深度学习 搜索推荐
覆盖四种场景、包含正负向反馈,腾讯、西湖大学等发布推荐系统公开数据集Tenrec(2)
覆盖四种场景、包含正负向反馈,腾讯、西湖大学等发布推荐系统公开数据集Tenrec
197 0
|
机器学习/深度学习 数据采集 移动开发
覆盖四种场景、包含正负向反馈,腾讯、西湖大学等发布推荐系统公开数据集Tenrec(1)
覆盖四种场景、包含正负向反馈,腾讯、西湖大学等发布推荐系统公开数据集Tenrec
306 0
阿云漫画 | 淘宝“2021年度十大商品”,你get过几件?
编者按: 2021年还有29小时30分钟就要结束了,该用什么记录这一年?继各大平台陆续发布年度关键词、热搜、弹幕之后,国民电商平台淘宝也发布了一份特殊的年度榜单。网友看完表示,“这一年的人间烟火味都在这了。”
190 0
|
机器学习/深度学习 人工智能 安全
筛选风险词、用实体类型推断发现限售商品,阿里安全夺冠知识图谱大赛
筛选风险词、用实体类型推断发现限售商品,阿里安全夺冠知识图谱大赛
100 0
|
算法 数据挖掘 BI
新高考增值评价系统业务简单介绍(超详细,图文并茂)
新高考增值评价系统业务简单介绍(超详细,图文并茂)
682 0
新高考增值评价系统业务简单介绍(超详细,图文并茂)