kaggle ?Foursquare冠軍方案分享(含Code)

簡 介

Foursquare - Location Matching是一個POI匹配大賽，平時當我們尋找附近的餐館或計劃在未知地區(qū)出差時，我們期望得到相關的、準確的信息。在全球范圍內維護高質量的數(shù)據(jù)是一項挑戰(zhàn)，其影響超越了導航。企業(yè)決定在新網站上進行市場擴張，分析競爭格局，并根據(jù)位置數(shù)據(jù)顯示相關廣告等等。

本次比賽中，選手需要使用一個包含150多萬個地點的數(shù)據(jù)集，條目經過大量修改，包括噪音、重復、無關或不正確的信息，我們需要生成一個算法，預測哪些地點條目代表相同的興趣點。每個地點條目包括名稱、街道地址和坐標等屬性，最后將以最大的準確性確定匹配項。

更詳細的比賽內容介紹大家可以參考比賽官網。

https://www.kaggle.com/competitions/foursquare-location-matching/overview/description

此處，我們按照第一名的方案分享，進行學習，整體的流程很傳統(tǒng)，

• 從候選集的構建（最大化recall）到中間提升精度（最大化precision），通過模型的融合以及后處理進行進一步的效果提升，已經最終通過leak再進一步大幅提升效果。

第一名的分享中除了流程的學習以及中間模型特征的細節(jié)，關于賽事Leak的發(fā)現(xiàn)也非常值得學習。

目前代碼已經開源，有興趣的朋友可以通過下面的鏈接進行完整的學習：https://www.kaggle.com/code/takoihiraokazu/sub-ex73-74-75-ex104-115-90-101-merge-train3

第一名方案介紹

方案的框架如下。

整個方案的流程可以大致分成4部分。

1. 構建候選集;
2. 降低候選集的數(shù)目;
3. 提升模型京都；
4. 后處理；
5. Leak信息處理；

通過經緯度的信息以及描述信息分別篩選出100個候選集合。

對于每個id，我們?yōu)橐韵聝煞N方法中的每種方法選擇了100個候選項

• 經緯度歐幾里得距離

• 名稱Embedding的Cos相似性

• 模型：基于bert的多語言未分類

• knn:cuml

為候選對象生成特征。此處，為了節(jié)省內存，只生成了幾個特征，例如名稱的jaro距離和類別的jaro距離。

使用LightGBM，對上述兩種模式中的每一種進行了預測，兩種情況分別剩下前20個候選，總共約40個候選。為了減少推理時間，此處使用了Forestinference。

• 最大IOU:0.979

構建大約120+特征，主要基于開源的Notebook，https://www.kaggle.com/code/ryotayoshinobu/foursquare-lightgbm-baseline，包括：

• 特征相似性特征，如Levenshtein距離和Jaro-winkler距離；
• 使用id作為鍵的字符相似性統(tǒng)計（最大、最小、平均）；
• 這些統(tǒng)計數(shù)據(jù)的比例；
• 使用經緯度的歐幾里得距離
• 基于奇異值分解的名稱embedding降維
• 模型：基于bert的多語言未分類

LightGBM（推理：Forestinference）

• CV:0.875
• 閾值：0.01

候選數(shù)減少到10%左右。

xlm-roberta-large and mdeberta-v3-base and Catboost

我們懷疑訓練和測試之間存在重疊，但沒有直接證據(jù)，因此我們創(chuàng)建了訓練過度擬合模型以增加LB，同時創(chuàng)建了增加CV的模型。在找到訓練集和測試集重疊的證據(jù)后，我們只需要專注于提高僅存在于測試中的數(shù)據(jù)的準確性，因此我們最終使用了CV最高且不過度擬合訓練數(shù)據(jù)的模型（例如，不要增加epoches，使用FGM等）

• catboost

• 使用了與第二個步一樣的特征
• CV:0.878

• xlm-roberta-large

• 文本：name + categories + address + city + state

• 結合2nd的一些功能（約70）

• 3個epoch

• mdeberta-v3-base

• manhattan distance, harversinie distance, etc
• 文本：name + categories + address + city + state
• 結合第二步的特征和一些新的特征（約90）
  

• 使用FGM和EMA訓練

• 4個epoch

• CV:0.907

• 集成：2nd lgb * 0.01 + 3rd catboost * 0.32 + 3rd xlm-roberta-large * 0.29 + 3rd medebeta-v3-base * 0.38

• CV : 0.911

• 閾值：0.5

• 比較兩個id的匹配，如果公共id從任意一側超過50%，則合并兩個id的匹配。
• 使用xlm-roberta-large對上述新創(chuàng)建的配對進行預測。
• 閾值：0.02
• CV:0.9166

• 和train合并，通過name,lat,lon將訓練集和測試集合并；

• 增加TP（true positive），

• 創(chuàng)建以POI為key的所有真正pairs(1)；

• 降低FP（false positive）

• 移除和訓練數(shù)據(jù)id綁定的ID(2)；
• 移除和訓練數(shù)據(jù)id綁定的ID以及和訓練數(shù)據(jù)不綁定的數(shù)據(jù)(3)；

• 通過使用LB的信息，驗證增加train-train TP,移除train-train FP,移除train-test FP的結論；

不和訓練集進行merge : 0.900

• (1) : 0.943
• (1) + (2) : 0.957
• (1) + (2) + (3) : 0.971

由于我們不確定（3）是否適用于Private數(shù)據(jù)，我們選擇（1）+（2）和（1）+（2）+（3）作為最終提交。

 

關于Leak的發(fā)現(xiàn)

出于以下多種原因懷疑Leak：

• CV和LB之間有一個很大的差距。最大IOU已經很高，因此這種幅度的差距是不正常的；
• 過度擬合等模型LB分數(shù)更高。例如，沒有dropout或多個epoch的培訓。多epoch訓練會導致CV分數(shù)下降。
• 隨著CV的增加，CV/LB相關性消失。通過使用FGM訓練NNs，我們的CV有了很大的改善，但LB更差。
• 主辦方說：“我們包含了從測試集中選擇的幾個示例實例?！蔽鍌€樣本記錄中的兩個存在于訓練數(shù)據(jù)中。

參考文獻

1. 1st place solution
2. https://www.kaggle.com/code/takoihiraokazu/sub-ex73-74-75-ex104-115-90-101-merge-train3