本次騰訊社交廣告算法大賽以移動app廣告轉化率預估為背景，以移動App廣告為研究對象，預測App廣告點選後被激活的機率：
，即給定廣告、使用者和上下文情況下廣告被點選後發生激活的機率。由于我是一個資料挖掘比賽的新人，是以我就說一下我參加比賽的體驗吧，和我們的一些結題思路吧。
1.每天的互動行為即點選數、安裝次數即轉化數、轉化率（如下2圖）：
2.每天出現的使用者數量、app數量、app種類數量（如下3圖）：
等等，資料的初始分析讓我們更好地了解資料的分布，加深對賽題的了解。
ID類特征，統計特征，基于業務的特征以及一些trick。
ID類特征：
1.年齡 2.性别 3.平台 4.聯網方式
以上的特征都采取one-hot編碼
統計特征：
1.使用者 2.素材 3.app 4.廣告主 5.廣告位 6.站點集合 7.聯網方式 8.營運商
以上特征分别計算點選數，下載下傳數，下載下傳率
基于業務的特征：
1.重複點選的情況
2.不同年齡段重複點選的下載下傳率
一些trick:
本題是一個使用者下載下傳率的問題，下載下傳的主體是客戶，是以要做細使用者的特征，但由于每一天新使用者（這裡的新使用者是指之前沒有發生過互動行為的使用者）占了很大的比重，是以之前對使用者做的一些統計特征會變的很稀疏，起不到什麼作用。但從業務的角度，當一個使用者對某個APP發 生了多次點選行為，這個使用者就會有更大的可能性會下載下傳，是以我們可以利用這種業務的情況來做一些統計特征。舉一個例子，之前對使用者的年齡做統計特征時，發 現各個年齡段的使用者的下載下傳率都差不多相同，但對重複點選的這種行為做統計後就可以發現，不同年齡段的人下載下傳率就會有比較大的差異，年齡比較小的人多次點選 的下載下傳率就比較高，年齡比較大的人多次點選的下載下傳率就比較低。其它的一些特征也是如此。
TRAIN SET：24、25、26、27、28
VAL SET：29
TEST SET：31
單模型：
Xgboost，LightGBM，GBDT，RF，LR等等我們都嘗試過。
目前來看基于我們提取的特征，單模型Xgboost效果會好點。
模型融合：
目前我們正在嘗試stacking的方式，其基本思路與方法為：
訓練過程：
預測過程：
最後感謝一下大賽的主辦方，為我們提供了一個鍛煉并提升自己的機會！