题目内容
刷题链接
题目大致需求
给定搜索词与候选商品，为每个 query 下的商品输出排序分数，用于提升 NDCG@10。输入为不含 relevance 的 CSV，含查询、商品特征及 row_id；输出至少包含 row_id 和 rank_score，必须逐行对齐。训练数据约 43 万行，验证约 8 千行，relevance 为 0-3 有序类别。可使用 xgboost、lightgbm、catboost 等库，需在 30 秒内完成训练与预测，固定随机种子，禁止联网。分数越大同一 query 内排序越靠前。
做题步骤安排
-
先读题，看清 schema。 别急着建模。读 data/SCHEMA.md，把字段分为 query 侧、商品侧、统计侧，确认 query_id 分组和 relevance 标签。用 pandas 在本地统计缺失和分布，把摘要发给 AI，避免大文件进入上下文。
-
搭基线，跑通链路。 先写最简单的 rank_score，比如商品历史平均 relevance 或 query 内热度，确保 main.py 输入输出格式、row_id 对齐正确。运行样例脚本，自己实现或调用 sklearn.metrics.ndcg_score 在 valid 上算分，记录 baseline。
-
做特征，抓匹配信号。 排序核心是 query 与商品的匹配度。构造：文本特征（query 与 title 的长度差、公共词数、关键词命中）、数值归一化、商品类目编码。再基于 train 统计商品历史点击率、平均 relevance、出现次数作为先验，缺失值用全局均值填充。注意：统计只能来自训练集，避免未来信息。
-
选模型，用 LambdaRank。 优先用 LightGBM 的 objective='lambdarank'，传入 query 分组，直接优化排序。若效果不稳，可退化为回归（拟合 relevance）或分类（预测 0-3 概率）取分数。固定随机种子，迭代 200-400 轮，树深度 5-6，控制训练时间。也可用 XGBoost 的 rank 目标做对比。
-
验证与自测。 在 valid.csv 上按 query 计算 NDCG@10，与 baseline 对比。若提升不大，检查排序 group 是否正确（lambdarank 需要 group 边界），或改用回归 score。主动测试缺失值、重复 row_id、NaN、全分数相等、大 query 多候选等边界，确保程序稳健。
-
交卷前 AI 自审。 给 AI 指令：“检查特征是否仅来自输入与训练集、group 是否按 query 划分、输出列名是否准确、随机种子是否固定、有无硬编码路径或联网调用、30 秒内能否运行。列出所有疑点。”发现问题定点修复；卡住时新开对话换思路，保留最高分版本。
