Article Recommendation

---- 推薦相關內容一直是我們所持續改良及關注的閱讀體驗之一，此題目為邀請所有參賽者根據個人興趣及近期瀏覽之行為，針對瀏覽者之後的行為進行預測，推薦閱讀相關內容。

訓練資料及測試資料的示意圖如下

評分方式

採用 Top-N Recommendation Precision and Recall 作為指標，故採用F1 Socre來作為最終的 Score 指標
定義如下：
- P : 根據過去歷史資料(訓練資料集)產生 Author(創作者) 推薦模型，再利用此模型來針對每一個 Cookie 推薦 Top-N Author 集合及為 P，而N 的大小會根據不同的使用者(Cookie) 而不同
- R : 在測試資料集中(測試資料集) ，每一個Cookie 所瀏覽過的 Author(創作者) 集合即為 R
- Precsion 定義 :
- Recall 定義 :
- F1 Measure 定義 :
- 演算法推薦分數 : 採用 Min-max 標準化將 F1 Measure 進行轉換
  - H : 所有隊伍中最高分的 F1 Measure 即代表 H
  - L : 所有隊伍中最低分的 F1 Measure 即代表 L
  - X : 某隊中所上傳中的最高 F1 Measure 即代表 X
上傳預測結果取得 F1 Score
- 上傳格式範例檔
- [上傳網址] (https://pixnethackathon2016.events.pixnet.net/score/)
- 前三名隊伍的分數將會顯示在網站的 Leader Board 之中

方程式 Gif 產生器
- smaple code :\frac{\left | P\cap R \right |}{\left | P \right |}
- sample code : F_1 = 2 \cdot \frac{\mathrm{precision} \cdot \mathrm{recall}}{\mathrm{precision} + \mathrm{recall}}
- sample code : score70 = 70\times \frac{X-L}{H-L}