本文共 1403 字，大约阅读时间需要 4 分钟。

哈尔滨工业大学二年级硕士生刘育源、中山大学微软亚洲研究院联合培养博士生郭达雅和京东算法工程师王贺组成的队伍荣获2019年腾讯广告算法大赛冠军。以下是他们的完整方案分享。

赛题理解

本次比赛的赛题围绕广告日曝光量的预测展开。我们需要从历史日志数据、用户信息数据和广告数据中提取有用特征，构建准确的预测模型。

数据特征

• 历史日志数据：包括广告请求时间、用户ID、广告位ID、竞价广告信息等。
• 用户信息数据：包含用户ID、年龄、性别、地域、行为兴趣等。
• 广告数据：广告操作信息、广告静态信息。

目标

• 预测广告的日曝光量。

评价指标

• 准确性指标：衡量广告预测结果的准确性。
• 出价单调性指标：确保模型输出符合广告出价的单调性规则。

训练目标优化

我们在训练目标上进行了多次尝试和优化：

数据集划分

数据集划分是我们提分的关键点：

• 时间分割：复赛A榜的训练集和测试集是连续的（10号-22号训练集，23号为测试集），而复赛B榜则是不连续的，测试集直接预测24号的广告曝光量。
• 跨天预测：面对24号的预测任务，我们采用“远程监督”的方法，利用10-22号的标注数据训练模型，并使用23号的数据进行预测。

特征工程

特征工程是解决方案中的核心部分：

模型介绍

模型架构包括以下关键组件：

结果分析

模型在多个维度上取得了显著的成绩：

主要创新

总结

本文分享了2019年腾讯广告算法大赛冠军的完整方案，涵盖了赛题理解、特征工程、模型设计和结果分析等多个方面。代码实现和完整细节可以在GitHub上找到：

https://github.com/guoday/Tencent2019_Preliminary_Rank1st

如需进一步了解技术细节，欢迎随时联系！