本次比赛基于脱敏和采样后的数据信息，对于给定的一定数量到访过微信视频号“热门推荐”的用户，根据这些用户在视频号内的历史n天的行为数据，通过算法在测试集上预测出这些用户对于不同视频内容的互动行为（包括点赞、点击头像、收藏、转发等）的发生概率。本次比赛以多个行为预测结果的加权uAUC值进行评分。
一、竞赛数据
??比赛提供训练集用于训练模型，测试集用于评估模型效果，提交结果demo文件用于展示提交结果的格式。所有数据文件格式都是带表头的.csv格式，不同字段列之间用英文逗号分隔。初赛与复赛的数据分布一致，数据规模不同。初赛提供百万级训练数据，复赛提供千万级训练数据。
??1. 训练集
??（1） Feed信息表
??该数据包含了视频（简称为feed）的基本信息和文本、音频、视频等多模态特征。具体字段如下：
字段名 | 类型 | 说明 | 备注 |
|---|---|---|---|
feedid | String | Feed视频ID | 已脱敏 |
authorid | String | 视频号作者ID | 已脱敏 |
videoplayseconds | Int | Feed时长 | 单位：秒 |
description | String | Feed配文，以词为单位使用空格分隔 | 已脱敏；存在空值 |
ocr | String | 图像识别信息，以词为单位使用空格分隔 | 已脱敏；存在空值 |
asr | String | 语音识别信息，以词为单位使用空格分隔 | 已脱敏；存在空值 |
description_char | String | Feed配文，以字为单位使用空格分隔 | 已脱敏；存在空值 |
ocr_char | String | 图像识别信息，以字为单位使用空格分隔 | 已脱敏；存在空值 |
asr_char | String | 语音识别信息，以字为单位使用空格分隔 | 已脱敏；存在空值 |
bgm_song_id | Int | 背景音乐ID | 已脱敏；存在空值 |
bgm_singer_id | Int | 背景音乐歌手ID | 已脱敏；存在空值 |
manual_keyword_list | String | 人工标注的关键词，多个关键词使用英文分号”;”分隔 | 已脱敏；存在空值 |
machine_keyword_list | String | 机器标注的关键词，多个关键词使用英文分号”;”分隔 | 已脱敏；存在空值 |
manual_tag_list | String | 人工标注的分类标签，多个标签使用英文分号”;”分隔 | 已脱敏；存在空值 |
machine_tag_list | String | 机器标注的分类标签，多个标签使用英文分号”;”分隔 | 已脱敏；存在空值 |
feed_embedding | String | 融合了ocr、asr、图像、文字的多模态的内容理解特征向量 | 512维向量 |
??说明
??（2） 用户行为表
??该数据包含了用户在视频号内一段时间内的历史行为数据（包括停留时长、播放时长和各项互动数据）。具体字段如下：
字段名 | 类型 | 说明 | 备注 |
|---|---|---|---|
userid | String | 用户ID | 已脱敏 |
feedid | String | Feed视频ID | 已脱敏 |
device | Int | 设备类型ID | 已脱敏 |
date_ | Int | 日期 | 已脱敏为1-n，n代表第n天 |
play | Int | 视频播放时长 | 单位：毫秒；若播放时长大于视频时长，则属于重播的情况 |
stay | Int | 用户停留时长 | 单位：毫秒 |
read_comment | Bool | 是否查看评论 | 取值{0, 1}，0代表“否”，1代表“是” |
??说明
??2. 测试集
??比赛A/B榜的数据量和数据分布一致。具体字段如下：
字段名 | 类型 | 说明 | 备注 |
|---|---|---|---|
userid | String | 用户ID | 已脱敏 |
feedid | String | Feed视频ID | 已脱敏 |
device | Int | 设备类型ID | 已脱敏 |
??3. 提交结果格式
??具体格式说明如下：
字段名 | 类型 | 说明 | 赛段 | 备注 |
|---|---|---|---|---|
userid | String | 用户ID | 初赛/复赛 | 已脱敏 |
??说明：提交结果文件的行数需要与测试集的行数相同，且userid-feedid需要与测试集中一致（顺序可以不同）。
二、评估标准
??本次比赛采用uAUC作为单个行为预测结果的评估指标，uAUC定义为不同用户下AUC的平均值，计算公式如下：
??其中，n为测试集中的有效用户数，有效用户指的是对于某个待预测的行为，过滤掉测试集中全是正样本或全是负样本的用户后剩下的用户。AUCi为第i个有效用户的预测结果的AUC（Area Under Curve）。AUC的定义和计算方法可参考维基百科。
??初赛的最终分数为4个行为（查看评论、点赞、点击头像、转发）的uAUC值的加权平均。复赛的最终分数为7个行为（查看评论、点赞、点击头像、转发、收藏、评论和关注）的uAUC值的加权平均。分数越高，排名越靠前。
??在总分中，7个行为的权重如下：
字段名 | 字段说明 | 权重 |
|---|---|---|
read_comment | 是否查看评论 | 4 |
like | 是否点赞 | 3 |
click_avatar | 是否点击头像 | 2 |
forward | 是否转发 | 1 |
favorite | 是否收藏 | 1 |
comment | 是否发表评论 | 1 |
follow | 是否关注 | 1 |
??加权uAUC的计算公式如下:
??其中，k为待预测的互动行为数，初赛k=4，复赛k=7。 uAUCi为第i个行为的uAUC值， Wi为第i个行为的权重。
三、其他说明
??1. 本项比赛全程不允许使用外部数据集。
??2. 允许使用开源的词典、embedding和预训练模型，以上数据和模型需在2021/07/12日期前开源，且需通过邮件的形式向组委会报备开源链接地址和md5，报备邮箱为wechat_algo@tencent.com。
??3. 复赛阶段允许使用初赛阶段的数据集。
