竞赛（一）kaggle mercari

kaggle mercari"/>

竞赛（一）kaggle mercari

比赛的数据可以在下节中的竞赛官网链接中下到，且本文提供了完整的训练代码，可以供大家练手。

题目详解

简单理解就是通过输入的用户以及物品特征来预测物品的真实价格，原始题目提供了如下有趣的例子：
It can be hard to know how much something’s really worth. Small details can mean big differences in pricing. For example, one of these sweaters cost $335 and the other cost $9.99. Can you guess which one’s which?

解题思路

出于了解深度学习和tensorflow的想法，这里参考了下ololo大神的tensorflow-starter方法，虽然代码格式写的有些凌乱，但是思路很清晰，命名很清晰明了。

数据分析

由于不知道如何在kernel上进行代码的编写和结果的提交，因而只能在本地搞一搞，大致将数据按照7(train):2(validation):1(test)的方式划分开，数据样例如下所示：

可以看出数据总共有7列：name、item_condition_id、category_name、brand_name、price、shipping、item_description，其中price列是label，其他都是特征列，简单观察之后发现name、category_name、brand_name、item_description这些列都是英文组成，item_condition_id和shipping都是数值特征，因而一个简单的想法是将第一类特征用embedding的方式转换为数字特征，将第二类特征通过one-hot的方式转换为编码特征，之后将所有处理后的特征拼接在一起进行后续的学习任务。

整体思路

ololo大神的做法和我想的完全不同，他的主要思想是针对每一维特征进行特征处理，之后进行卷积处理，最后将卷积处理后的数据拼接在一起，后面拼接上两个全连接层得到最终的price预测结果。如下是针对每一维特征的处理和学习过程的示意图。

• name
  操作流程如下所示，这里附了一份粗略的流程图：

  1. 通过Tokenizer类将name中的每个单词都处理成一个词表中的索引值
  2. 创建单词的embedding向量，向量维度为32维
  3. 对数据进行一维卷积，一维卷积的解释可以见这里
  4. dropout处理
  5. flatten处理，最终产出维度为130维的特征向量

• item_description
  description的处理手段和name类似，这里就不再赘述，直接贴图：

• category_name
  category_name的处理手段和上述两维特征的处理手段有所不同，因为category_name的每一个样例并不是单纯的句子，而是由"/"组成的类目树，因而这里采用了一个特殊的处理手段，即将类目信息直接展开，例如类目信息为 a/b/c， 输出 [a, a/b, a/b/c]，再将这三个元素分别用词表索引+embedding+conv1d的方式进行学习，思路如下所示：

• brand_name
  brand_name相对简单，因而不需要通过卷积的方式来进行学习，直接embedding+flatten解决问题。

• item_condition_id
  这里我和大神的想法一致，都是直接采用one-hot编码

• shipping
  由于这维特征只有0和1，这里已经是one-hot编码了，因而不需要对其进行额外的操作。

• concat
  将上述所有的数据concat到一起，之后拼接全链接层，得到最终结果。

代码

ololo大神原先模型训练的核心代码如下所示：

graph = tf.Graph()
graph.seed = 1with graph.as_default():place_name = tf.placeholder(tf.int32, shape=(None, name_seq_len))place_desc = tf.placeholder(tf.int32, shape=(None, desc_seq_len))place_brand = tf.placeholder(tf.int32, shape=(None, 1))place_cat = tf.placeholder(tf.int32, shape=(None, cat_seq_len))place_ship = tf.placeholder(tf.float32, shape=(None, 1))place_cond = tf.placeholder(tf.uint8, shape=(None, 1))place_y = tf.placeholder(dtype=tf.float32, shape=(None, 1))place_lr = tf.placeholder(tf.float32, shape=(), )# titlename = embed(place_name, name_voc_size, name_embeddings_dim)name = conv1d(name, num_filters=10, filter_size=3)name = tf.nn.dropout(name, keep_prob=0.5)name = tf.layers.flatten(name)tf.summary.histogram("name", name)print("name.shape is {}".format(name.shape))# description desc = embed(place_desc, desc_voc_size, desc_embeddings_dim)desc = conv1d(desc, num_filters=10, filter_size=3)desc = tf.nn.dropout(desc, keep_prob=0.5)desc = tf.layers.flatten(desc)tf.summary.histogram("desc", desc)print("desc.shape is {}".format(desc.shape))# brandbrand = embed(place_brand, brand_voc_size, brand_embeddings_dim)brand = tf.layers.flatten(brand)tf.summary.histogram("brand", brand)print("brand.shape is {}".format(brand.shape))# category cat = embed(place_cat, cat_voc_size, cat_embeddings_dim)cat = tf.layers.average_pooling1d(cat, pool_size=cat_seq_len, strides=1, padding='valid')cat = tf.layers.flatten(cat)tf.summary.histogram("cat", cat)print("cat.shape is {}".format(cat.shape))# shipship = place_ship# conditioncond = tf.one_hot(place_cond, 5)cond = tf.layers.flatten(cond)out = tf.concat([name, desc, brand, cat, ship, cond], axis=1)print('concatenated dim:', out.shape)out = dense(out, size=100, activation=None)out = tf.nn.dropout(out, keep_prob=0.5)out = dense(out, size=1)loss = tf.losses.mean_squared_error(place_y, out)tf.summary.scalar("loss", loss)rmse = tf.sqrt(loss)train_step = tf.train.AdamOptimizer(learning_rate=place_lr).minimize(loss)init = tf.global_variables_initializer()merged = tf.summary.merge_all() # merge_all需要在graph的定义中声明，否则无效

经过41400次迭代基本收敛，最后几次validation的loss如下所示：
iter: 40200, loss: 0.4161092936992645
iter: 40500, loss: 0.4169567823410034
iter: 40800, loss: 0.4157225489616394
iter: 41100, loss: 0.4162442088127136
iter: 41400, loss: 0.41495734453201294

而我这里对他的模型做了下改进，将最后的全链接层用FM模型替代，这样做的目的是为了更好地学习到特征之间的关系，FM模型的详解可以见这里，改进代码如下：

w_0 = tf.Variable(tf.random_normal([1], stddev=0.01))
W = tf.Variable(tf.random_normal([out.shape[1].value, 1], stddev=0.01))
linear_out = tf.add(tf.matmul(out, W), w_0)k = 5
V = tf.Variable(tf.random_normal([out.shape[1].value, k], stddev=0.01))
complex_output = tf.multiply(tf.reduce_sum(tf.subtract(tf.pow(tf.matmul(out, V), 2), \tf.matmul(tf.pow(out, 2), tf.pow(V, 2))), \axis=1, keep_dims=True), 0.5)out_y = tf.add(linear_out, complex_output)
lambda_w = tf.constant(0.001, dtype=tf.float32)
lambda_v = tf.constant(0.001, dtype=tf.float32)
regularization = tf.reduce_sum(tf.multiply(lambda_w, tf.pow(W, 2))) + \tf.reduce_sum(tf.multiply(lambda_v, tf.pow(V, 2)))loss = tf.losses.mean_squared_error(place_y, out_y) + regularization
tf.summary.scalar("loss", loss) 

通过改进之后，同样经过41400次迭代基本收敛，最后几次validation的loss如下所示：
iter: 40200, loss: 0.39779549837112427
iter: 40500, loss: 0.3979751765727997
iter: 40800, loss: 0.3977966904640198
iter: 41100, loss: 0.39837953448295593
iter: 41400, loss: 0.39793896675109863

可以发现性能确实得到很大的改善。

参考

1. 代码网址
2. mercari竞赛官网
3. 参考解题思路