一.問題描述

任務

參賽隊伍利用給定的頭條問答資料（包括專家標籤、問題資料以及問題分發資料，詳見資料描述部分），進行鍼對問題的專家挖掘。給定若干問題，參賽者需要預測哪些專家更有可能回答這些問題。具體的，針對每個問題和一位候選專家，參賽者需要根據計算該專家回答問題的概率。實際運營中，系統會優先向回答概率高的候選專家傳送這個問題的回答邀請，直到收到的回答數量達到指定閾值。評估方面，給定一個問題，我們會按照預測概率把候選專家排序，並分別評估排序結果的[email protected]，[email protected]最後評分公式為 [email protected] * 0.5 +

////所以：也就是我們需要做的就是針對每個問題和一位候選專家，參賽者需要根據計算該專家回答問題的概率，然後跟給定的專家概率比對評分？

資料集及其解讀

本次使用的資料集中一共包含三類資訊：

1)   專家標籤資料：包括所有專家使用者的ID，專家興趣標籤，處理過的專家描述。

2)   問題資料：包括所有的問題的ID，處理過的問題描述，問題分類，總回答數（這個資料有什麼用？），精品回答數（這個資料有什麼用？），總點贊次數（這個資料有什麼用？）。

3)   問題分發資料：29萬條問題推送記錄；一條推送記錄包括一個問題ID，一個專家使用者ID，該專家是否回答了了該問題的標註。我們將基於這29萬掉問題推送記錄劃分訓練集、驗證集和測試集。

 這樣說可能並不能幫助我們理解資料到底是怎樣組織的

結果提交

二.解決方案

這個問題應該就是要設計一套推薦系統，那我們看看有哪些推薦系統設計方案

基於深度學習的推薦系統論文：點選開啟連結

額，看上去還是有點暈，好多知識沒有學，這裡解釋文中提到的幾個演算法

大致思路就是要給一個使用者推薦商品，那麼只要找到和這個使用者相似的使用者，然後推薦這個相似的使用者購買的商品就可以了。大致分為兩類，一類是基於使用者的臨近模型，原理就是找到相似的使用者，並推薦這個相似使用者的興趣物品。另一類是基於物品的臨近模型，原理是推薦使用者感興趣的物品的相似物品

受限玻爾茲曼機：

三.實現框架

四.深度模型

＊問題：

1.如果我們採用這個模型的話，那麼我們需搞清楚這樣幾個問題：（1）這個模型的輸入輸出是什麼（2）比賽給定的資料集到底是以怎樣的形式給出的 （3）怎樣把比賽給定的資料集處理後送到這個模型處理。

2.這套推薦系統由哪幾部分組成，分別怎樣實現。

3.這個模型怎樣實現，用什麼語言或者工具、在什麼平臺上執行。