קריטיאו

• תיאור :

ערכת נתונים של Criteo Uplift Modeling

מערך נתונים זה שוחרר יחד עם המאמר: "A Large Scale Benchmark for Uplift Modeling" Eustache Diemert, Artem Betlei, Christophe Renaudin; (Criteo AI Lab), Massih-Reza Amini (LIG, Grenoble INP)

עבודה זו פורסמה ב: AdKDD 2018 Workshop, בשיתוף עם KDD 2018.

תיאור הנתונים

מערך נתונים זה נבנה על ידי הרכבת נתונים הנובעים ממספר מבחני אינקרמנטליות, הליך ניסוי אקראי מסוים שבו חלק אקראי מהאוכלוסייה מונע ממוקד על ידי פרסום. הוא מורכב מ-25 מיליון שורות, כל אחת מייצגת משתמש עם 11 תכונות, מחוון טיפול ו-2 תוויות (ביקורים והמרות).

שדות

להלן תיאור מפורט של השדות (הם מופרדים בפסיקים בקובץ):

• f0, f1, f2, f3, f4, f5, f6, f7, f8, f9, f10, f11: ערכי תכונה (צפוף, צף)
• טיפול: קבוצת טיפול (1 = מטופל, 0 = ביקורת)
• המרה: האם התרחשה המרה עבור משתמש זה (בינארי, תווית)
• ביקור: האם התרחש ביקור עבור משתמש זה (בינארי, תווית)
• חשיפה: השפעת הטיפול, האם המשתמש נחשף ביעילות (בינארי)

דמויות מפתח

• פורמט: CSV
• גודל: 459MB (דחוס)
• שורות: 25,309,483
• שיעור ביקור ממוצע: .04132
• שיעור המרה ממוצע: .00229
• יחס טיפול: .846

משימות

מערך הנתונים נאסף והוכן מתוך מחשבה על חיזוי העלאה כמשימה העיקרית. בנוסף אנו יכולים לחזות שימושים קשורים כגון אך לא רק:

• אמת מידה להסקה סיבתית
• דוגמנות עילוי
• אינטראקציות בין תכונות וטיפול
• הטרוגניות של הטיפול

• אמת מידה לשיטות סיבתיות תצפיתיות

• תיעוד נוסף : חקור על ניירות עם קוד

• דף הבית : https://ailab.criteo.com/criteo-uplift-prediction-dataset/

• קוד מקור : tfds.recommendation.criteo.Criteo

• גרסאות :

  • 1.0.0 : שחרור ראשוני.
  • 1.0.1 (ברירת מחדל): ניתוח קבוע של conversion שדות, visit exposure .

• גודל הורדה : 297.00 MiB

• גודל מערך נתונים : 3.55 GiB

• שמירה אוטומטית במטמון ( תיעוד ): לא

• פיצולים :

לְפַצֵל	דוגמאות
'train'	13,979,592

• מבנה תכונה :

FeaturesDict({
    'conversion': bool,
    'exposure': bool,
    'f0': float32,
    'f1': float32,
    'f10': float32,
    'f11': float32,
    'f2': float32,
    'f3': float32,
    'f4': float32,
    'f5': float32,
    'f6': float32,
    'f7': float32,
    'f8': float32,
    'f9': float32,
    'treatment': int64,
    'visit': bool,
})

• תיעוד תכונה :

תכונה	מעמד	צוּרָה	Dtype	תיאור
	FeaturesDict
הֲמָרָה	מוֹתֵחַ		bool
חשיפה	מוֹתֵחַ		bool
f0	מוֹתֵחַ		לצוף32
f1	מוֹתֵחַ		לצוף32
f10	מוֹתֵחַ		לצוף32
f11	מוֹתֵחַ		לצוף32
f2	מוֹתֵחַ		לצוף32
f3	מוֹתֵחַ		לצוף32
f4	מוֹתֵחַ		לצוף32
f5	מוֹתֵחַ		לצוף32
f6	מוֹתֵחַ		לצוף32
f7	מוֹתֵחַ		לצוף32
f8	מוֹתֵחַ		לצוף32
f9	מוֹתֵחַ		לצוף32
יַחַס	מוֹתֵחַ		int64
לְבַקֵר	מוֹתֵחַ		bool

• מפתחות בפיקוח (ראה as_supervised doc ): ({'exposure': 'exposure', 'f0': 'f0', 'f1': 'f1', 'f10': 'f10', 'f11': 'f11', 'f2': 'f2', 'f3': 'f3', 'f4': 'f4', 'f5': 'f5', 'f6': 'f6', 'f7': 'f7', 'f8': 'f8', 'f9': 'f9', 'treatment': 'treatment'}, 'visit')

• איור ( tfds.show_examples ): לא נתמך.

• דוגמאות ( tfds.as_dataframe ):

• ציטוט :

@inproceedings{Diemert2018,
author = { {Diemert Eustache, Betlei Artem} and Renaudin, Christophe and Massih-Reza, Amini},
title={A Large Scale Benchmark for Uplift Modeling},
publisher = {ACM},
booktitle = {Proceedings of the AdKDD and TargetAd Workshop, KDD, London,United Kingdom, August, 20, 2018},
year = {2018}
}