騰訊廣告演算法大賽隨手記6——自測單調性得分

摘要： 單調性計算方法 由於競價機制的特性，在廣告其他特徵不變的前提下，隨著出價的提升，預估曝光值也單調提升才符合業務直覺。所以，定義出價單調相關性評估指標如下： 對待預估廣告 ad, 除出價 bid 外其他設定不變，任意變化 n 個 bid 取值，得到對應的 n 個曝光預估值，計算如下該廣告...

單調性計算方法

由於競價機制的特性，在廣告其他特徵不變的前提下，隨著出價的提升，預估曝光值也單調提升才符合業務直覺。所以，定義出價單調相關性評估指標如下：

對待預估廣告 ad, 除出價 bid 外其他設定不變，任意變化 n 個 bid 取值，得到對應的 n 個曝光預估值，計算如下該廣告出價單調性得分如下：

對所有待預估廣告，計算單調性得分均值如下（易知，該值越大越好）

import pandas as pd
import time
import numpy as np
def getMonoScore (samplefilename,submissionfilename):
test_samplefile = pd.read_csv(samplefilename,sep='\t',
nrows=30000,header=None,names=['樣本id','廣告id','建立時間','素材尺寸','廣告行業id'
,'商品型別','商品id','廣告賬戶id','投放時間','人群定向'
,'出價'],usecols=['樣本id','廣告id','出價'])
test_sampledf = pd.DataFrame(test_samplefile)

test_sampledf_result=pd.read_csv(submissionfilename,
sep=",",header=None,names=["樣本id","曝光量"])
test_sampledf_resultdf= pd.DataFrame(test_sampledf_result)

test_sampledf=pd.merge(test_sampledf,test_sampledf_resultdf, how='left', left_on='樣本id', right_on='樣本id')
test_sampledf.sort_values(by=["廣告id","出價"],inplace=True)

# 作為基準
standard=test_sampledf.groupby(by='廣告id').head(1)
standard.rename(columns={'樣本id':'基準樣本id','出價':'基準出價','曝光量':'基準曝光量'},inplace=True)

test_sampledf=pd.merge(test_sampledf,standard,how="left",left_on='廣告id', right_on='廣告id')
test_sampledf['score']=test_sampledf.apply(
lambda x: (
((x['基準曝光量']-x['曝光量'])* (x['基準出價']-x['出價']))/
abs((x['基準曝光量']-x['曝光量'])* (x['基準出價']-x['出價']))
)
,axis=1
)

monoscore=test_sampledf.groupby(by='廣告id')['score'].mean().mean()
print("經過相關性計算成績為："+str(monoscore))
print("預估相關性部分成績為："+ str(60*(monoscore+1)/2))

# 傳入官方的樣本檔案以及自己生成的結果檔案路徑
getMonoScore('test_sample.dat',"submission.csv")

經過相關性計算成績為：0.3253976419099872
預估總成績為：39.76192925729961

最終得分 Totalscore

上述兩個指標值域和趨勢都不同，為了比賽評分簡便，會將上述兩個指標各自歸一化後

再加權求和得到一個最終得分。形式如下：

這個就沒法寫了，因為沒有官方的標準答案，話說有答案的話就直接可以100分了。

歡迎點贊

大蔥哥不定期釋出關於大賽的文章，歡迎大家關注。

覺得喜歡就給點個贊

覺得贊不夠表達你的喜歡，可以給大蔥哥一個賞。