面向電信行業存量用戶的智能套餐個性化匹配模型(top6)

一、賽題連接：面向電信行業存量用戶的智能套餐個性化匹配模型

二、賽題任務： 利用已有的用戶屬性(如我的基本信息、用戶畫像信息等)、終端屬性(如終端品牌等)、業務屬性、消費習慣及偏好匹配用戶最合適的套餐，對用戶進行推送，完成後續個性化服務。

三、數據解讀及預處理：

• 多分類任務-->11分類；根據service_type來劃分套餐 ，一類8個，另一類3個（下文圖片裏面的大寶卡以及騰訊王卡系列）。
• 11個套餐表所對應的卡，經過對1_total_fee進行value_counts和網上套餐比較能夠大體推出來。

• 數據預處理---->清洗數據以及對1234_total_fee進行相似3sigma的進行標記。

四、特徵工程：

• 對1-2-3-4_total_fee進行min ,max ,std ,mean等操做；最後發現四個月話費的最小值是比較強的特徵，從EDA來看對套餐區分是比較明顯的。

• 本月流量以及上個月流量的差值特徵；而且發現某些用戶上個月的流量是一個完整的數值，比方說1024，2048,3072這種數值，對這種用戶進行了簡單的標記。

• 用當月費用減去超出通話時長的錢。1_total_fee - (service1_caller_time)*0.15
• 計算每一個用戶的基本費用(base_fee)

• 判斷四個月的話費是不是一個整數。比方說套餐36的用戶若是帳單裏面出現了36和36.0的話，那麼後者36.0多是其餘base_fee經過開加油包等超出套餐費用疊加上來的。
• 四個月的費用分別groupby("complaint_fee")進行count。

五、搭建模型：

模型： 十折的lightgbm模型 + 五折的xgboost模型

xgboost實在是太慢了，沒有GPU加成的話貌似要跑差很少一個白天，可是用上GPU精度就下降了。

六、模型融合： 經過林有夕大神分享的投票代碼進行融合，有一點收益可是不大。

七、處理：

• 咱們隊伍是失敗了，大概思路就是對模型分不開的兩個套餐加一個權重。決賽隊伍應該都是有分享的。
• 還有就是植物以前ijcai2018所用過的"食之無味，棄之惋惜"，惜的是咱們也失敗了。

---

最後附上咱們隊的github連接（記得點個星星哦~）

開源代碼地址：2018_CCF_BDCI_ChinaUnicom_Package_Match_Rank6

這個比賽第一名，第二名，第四名貌似都有開源，還有砍手豪大佬對植物嫁接的進一步深刻在知乎上都有文章，能夠進行參考。