YAML Metadata Warning:empty or missing yaml metadata in repo card
Check out the documentation for more information.
招商银行FinTech精英训练营2025
- 竞赛时间：5月7日12:00-5月11日12:00
- 您需要在竞赛期间完成两个数据任务和一个AI Agent附加题任务。两个数据任务将分别提供训练数据集和测试数据集；AI Agent附加题为开放式探索任务。具体内容以赛题题面要求为准。
任务1（60分）：根据提供的用户行为数据，选手需要分析用户行为特征与广告内容的匹配关系，准确预测用户对测试集广告的点击情况。每人每天限制提交3次。
任务2（40分）：根据提供的脱敏资讯新闻数据，选手需要对提供的训练集进行特征工程，构建资讯分类模型，对与测试集进行准确的新闻分类。每人每天限制提交3次。
任务3（20分，附加题）：设计一个产品营销智能体（AI Agent），该智能体需要根据产品信息、客户背景以及相关要求，生成一段具有应用价值的营销话术。
任务1
根据提供的用户行为数据，选手需要分析用户行为特征与广告内容的匹配关系，准确预测用户对测试集广告的点击情况。
数据集说明:
所有数据均已脱敏处理，包含以下四个子集：
- 用户 - 广告点击记录（train_dataset.csv）
（1）数据格式：[user_id（用户ID）， ad_id（广告ID）， exposure_time（曝光时间），is_click（是否点击）]
（2）数据规模：约408万条记录（含正负样本）
（3）数据说明：每条记录代表某个用户在某个广告上的曝光是否有点击（1表示点击）。
- 用户画像特征（user_features.csv）
（1）数据格式：[user_id（用户ID；string类型）， age（年龄；int类型）， gender（性别；string类型）， occupation（职业；string类型）， marriage（婚姻状态；string类型）， credit（是否信用卡用户；string类型）， region（地区；string类型）， device（设备；string类型）， register_day（注册天数；int类型）， activity_score（活跃度；int类型）， purchase_hisory（购买历史笔数；int类型）]
（2）数据规模：约10万个独立用户。
（3）数据说明：包含了所有用户特征。
- 广告特征信息（ad_features.csv）
（1）数据格式：[ad_id（广告ID；string类型）， category（类别；string类型）， material_type（素材类型；string类型）， product_price（产品价格；float类型）， advertiser_score（广告主评分；int类型）， campaign_duration（投放时长；int类型）， historical_ctr（历史点击率；float类型）]
（2）数据规模：1000条独立广告。
（3）数据说明：包含了所有广告特征。
- 测试集（test_dataset.csv）
（1）数据格式：[user_id（用户ID）， ad_id（广告ID）， exposure_time（曝光时间）]
（2）数据规模：约92万条样本。
（3）数据说明：每条记录代表某个用户在某个广告上的曝光，用来预测用户是否点击广告。
提交要求:
（1）数据格式：[user_id（用户ID）， ad_id（广告ID）， exposure_time（曝光时间），prediction（点击的概率）]
（2）数据说明：需要包含test_dataset的所有数据，且顺序需要一样
（3）提交结果的文件路径，写 jupyter 环境下的对应的 csv 文件路径，比如 "/work/prediction/submit_day1_1.csv"
（4）每天限制最多提交 3 次; 文件名不允许出现中文、空格、括号等特殊字符
评价标准:
使用AUC作为评分指标，衡量模型对正负样本的区分能力，值越接近1代表模型性能越好。
from sklearn.metrics import roc_auc_score
# y_true 为样本实际标签列表
# y_pred 为模型预测的点击概率列表
AUC = roc_auc_score(y_true, y_pred)
任务2
根据提供的脱敏资讯新闻数据，选手需要对提供的训练集进行特征工程，构建资讯分类模型，对与测试集进行准确的新闻分类。
数据集：
所有数据均已脱敏处理，包含以下两个子集：
- 训练集（train_text.csv） train_text.csv
（1）数据格式：[新闻ID，新闻文本，标签]
（2）数据规模：约8000条记录（含多个标签）
（3）数据说明：新闻文本由社区新闻的标题+正文组合构成，文本通过自定义的分词器按照按照字符级别匿名化；标签也按照类别进行脱敏。
- 测试集（test_text.csv）test_text.csv
（1）数据格式：[新闻ID，新闻文本]
（2）数据规模：约2000条记录。
提交要求:
数据格式：[新闻ID，标签]，csv文件
每天限制最多提交 3 次
文件名不允许出现中文、空格、括号等特殊字符
评分标准:
评分标准为每个类别 f1_score 的均值，选手提交的结果与实际测试集类别进行对比，结果越大排名越高。
任务3
设计一个产品营销智能体（AI Agent），该智能体需要根据产品信息、客户背景以及相关要求，生成一段具有应用价值的营销话术。
课题背景：
数据集：
本题目的最终评分的数据集在比赛期间不公开，比赛期间的运行的使用的是非正式数据集；
比赛期间的提供运行功能，目的是让选手能自己确认提交的代码能正常运行，避免低级错误导致最终代码无效；
比赛结束后，会更换数据集，并使用选手的最后一次提交的代码来运行，并评测最终的分数
提交要求：
每天限制最多提交 10 次, 文件名不允许出现中文、空格、括号等特殊字符
请使用python3完成编码，并提供run.py文件，入口方法为run(inf)，其中inf是字符串格式，传值是某一名客户的背景信息，例如：“王路飞，男，25岁，风险评级：1级，在校大学生。因为仍在读书，手里的零花钱不多，想买点低风险的理财产品，提升收益。”，程序输出是针对该名客户的一段营销话术的正文。
提交的代码允许内部做重试，多路并发调用大模型，达到容错且缩短运行耗时的功能；
提交的代码只允许赛题指定的api 和模型，否则判题过程代码会报错；
每个测试用例运行时间限定 30 秒，一个用例运行失败或超时，会自动重试 3 次
请注意代码不能有恶意退出，过量使用的内存的情况，请充分考虑异常捕获，超时等情况；
如果代码运行过程导致判题过程异常退出，所有用例的测试分数都会失效；
平台提供以开源项目 one-api 搭建的的大模型调用代理；
获取大模型代理的 secretKey：https://competition.nowcoder.com/oneapi-sk
可用模型ID：qwen2.5-3b-instruct，qwen2.5-7b-instruct，qwen2.5-7b-instruct-1m，glm-4-9b，gpt-4o-mini
one-api 遵循 openai-api 的调用参数规范；更多的参数规范可以查询相关文档；
代码参考模板：
import requests
import time
import requests
import json
url = 'https://one-api-other.nowcoder.com/v1/chat/completions'
# 设置请求头
headers = {
'Authorization': '你的 appkey',
'Content-Type': 'application/json',
'Accept': 'application/json'
}
def run(inf):
data = {
"model": "选择的模型",
"messages": [
{
"role": "user",
"content": "你好, "+inf
}
]
}
response = requests.post(url, headers=headers, data=json.dumps(data))
print(response)
return response.json()['choices'][0]['message']['content']
if __name__ == "__main__":
run("python")
sk-kCJPS6q6kTqBJvW6B141Bc82Ba614a729cFf0bA185464066
- Downloads last month
- 6