赛题介绍-广告受众基础属性预估
比赛将为参赛者提供一组用户在长度为 91 天(3 个月)的时间窗口内的广告点击历史记录作为训练数据集。每条记录中包含了日期 (从 1 到 91)、用户信息 (年龄,性别),被点击的广告的信息(素材 id、广告 id、产品 id、产品类目 id、广告主 id、广告主行业 id 等),以及该用户当天点击该广告的次数。测试数据集将会是另一组用户 的广告点击历史记录。提供给参赛者的测试数据集中不会包含这些用户的年龄和性别信息。 本赛题要求参赛者预测测试数据集中出现的用户的年龄和性别。
1. 环境配置
- Pytorch
- Linux Ubuntu 16.04, 256G内存,4*p100
- pip install transformers==2.8.0 pandas gensim scikit-learn filelock gdown
2. 模型介绍
3. 低配置资源建议
1)内存不足或者只是想简单跑下完整代码,请只使用初赛数据:
去掉src/prepocess.py的8, 15, 22行
2)如果显存不足,请下载10中的bert-small模型,并调整batch size
4. 运行完整过程
可运行以下脚本,运行整个过程并生成结果。或按照3-7节的说明依次运行。
bash run.sh
5. 数据下载
通过该网站下载数据集到data目录,或运行下面的命令进行下载
gdown https://drive.google.com/uc?id=15onAobxlim_uRUNWSMQuK6VxDsmGTtp4
unzip data.zip
rm data.zip
6. 数据预处理
合并所有文件,并分为点击记录文件(click.pkl),用户文件(train_user.pkl/test_user.pkl)
python src/preprocess.py
7. 特征提取
python src/extract_features.py
8. 预训练 Word2Vector 与 BERT
这里提供两种方式获得预训练权重: 重新预训练或下载预训练好的权重
注: Word2Vector和BERT权重必须一致,即要么全部重新预训练,要么全部下载
1) 预训练Word2Vector
预训练word2vector
python src/w2v.py
或下载预训练好的W2V
gdown https://drive.google.com/uc?id=1SUpukAeXR5Ymyf3wH3SRNdQ3Hl2HazQa
unzip w2v.zip
cp w2v/* data/
rm -r w2v*
2) 预训练BERT
预训练BERT (如果GPU是v100,可以安装apex并在参数上加--fp16进行加速)
cd BERT
mkdir saved_models
python pretrain_bert.py \
--output_dir saved_models \
--model_type roberta \
--config_name roberta-base \
--mlm \
--block_size 128 \
--per_gpu_train_batch_size 64 \
--per_gpu_eval_batch_size 64 \
--gradient_accumulation_steps 1 \
--learning_rate 5e-5 \
--weight_decay 0.01 \
--adam_epsilon 1e-6 \
--max_grad_norm 1.0 \
--max_steps 100000 \
--mlm_probability 0.2 \
--warmup_steps 10000 \
--logging_steps 50 \
--save_steps 10000 \
--evaluate_during_training \
--save_total_limit 500 \
--seed 123456 \
--tensorboard_dir saved_models/tensorboard_logs
rm -r saved_models/bert-base
cp -r saved_models/checkpoint-last saved_models/bert-base
rm saved_models/bert-base/optimizer.pt
cp saved_models/vocab.pkl saved_models/bert-base/vocab.pkl
cd ..
或下载预训练好的BERT-base
gdown https://drive.google.com/uc?id=1ToAJwl_oRAeRNyYF_FK0B2APVXlPFTlq
unzip bert-base.zip
mv bert-base BERT/
rm bert-base.zip
9. 训练模型
mkdir saved_models
mkdir saved_models/log
for((i=0;i<5;i++));
do
python train_classifier.py \
--kfold=5 \
--index=$i \
--train_batch_size=256 \
--eval_steps=5000 \
--max_len_text=128 \
--epoch=5 \
--lr=1e-4 \
--output_path=saved_models \
--pretrained_model_path=BERT/bert-base \
--eval_batch_size=512 2>&1 | tee saved_models/log/$i.txt
done
合并结果,结果为submission.csv
python src/merge_submission.py
10. 不同规模的预训练模型
由于此次比赛融合了不同规模大小的预训练模型,在此也提供不同规模的预训练模型:
BERT-small, BERT-base, BERT-large, BERT-xl
其中bert-base效果最好
#bert-small
gdown https://drive.google.com/uc?id=1bDneO-YhBs5dx-9qC-WrBf3jUc_QCIYn
#bert-base
gdown https://drive.google.com/uc?id=1ToAJwl_oRAeRNyYF_FK0B2APVXlPFTlq
#bert-large
gdown https://drive.google.com/uc?id=1yQeh3O6E_98srPqTVwAnVbr1v-X0A7R-
#bert-xl
gdown https://drive.google.com/uc?id=1jViHtyljOJxxeOBmxn9tOZg_hmWOj0L2