• Deskripsi :

Kumpulan Data Pemodelan Criteo Uplift

Kumpulan data ini dirilis bersama dengan makalah: “Tolok Ukur Skala Besar untuk Pemodelan Peningkatan” Eustache Diemert, Artem Betlei, Christophe Renaudin; (Criteo AI Lab), Massih-Reza Amini (LIG, Grenoble INP)

Karya ini dipublikasikan di: Lokakarya AdKDD 2018, bersamaan dengan KDD 2018.

Deskripsi data

Kumpulan data ini dibangun dengan mengumpulkan data yang dihasilkan dari beberapa uji inkrementalitas, prosedur uji coba acak tertentu di mana bagian acak dari populasi dicegah dari target iklan. terdiri dari 25 juta baris, masing-masing mewakili pengguna dengan 11 fitur, indikator perawatan, dan 2 label (kunjungan dan konversi).

Bidang

Berikut ini adalah deskripsi mendetail tentang bidang-bidang tersebut (dipisahkan dengan koma dalam file):

• f0, f1, f2, f3, f4, f5, f6, f7, f8, f9, f10, f11: nilai fitur (padat, mengambang)
• pengobatan: kelompok perlakuan (1 = diobati, 0 = kontrol)
• konversi: apakah konversi terjadi untuk pengguna ini (biner, label)
• kunjungan: apakah kunjungan terjadi untuk pengguna ini (biner, label)
• paparan: efek pengobatan, apakah pengguna telah terpapar secara efektif (biner)

Tokoh kunci

• Format: CSV
• Ukuran: 459MB (terkompresi)
• Baris: 25.309.483
• Tingkat Kunjungan Rata-Rata: 0,04132
• Tingkat Konversi Rata-Rata: 0,00229
• Rasio Pengobatan: 0,846

Tugas

Kumpulan data dikumpulkan dan disiapkan dengan mempertimbangkan prediksi peningkatan sebagai tugas utama. Selain itu, kami dapat memperkirakan penggunaan terkait seperti namun tidak terbatas pada:

• patokan untuk inferensi kausal
• pemodelan pengangkatan
• interaksi antara fitur dan perawatan
• heterogenitas pengobatan

• patokan untuk metode kausalitas observasional

• Dokumentasi Tambahan : Jelajahi di Makalah Dengan Kode north_east

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

• Kode sumber : tfds.recommendation.criteo.Criteo

• Versi :

  • 1.0.0 : Rilis awal.
  • 1.0.1 (default): Memperbaiki penguraian conversion bidang, visit , dan exposure .

• Ukuran unduhan : 297.00 MiB

• Ukuran dataset : 3.55 GiB

• Di-cache otomatis ( dokumentasi ): Tidak

• Perpecahan :

• Struktur fitur :

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,
})

• Dokumentasi fitur :

• Kunci yang diawasi (Lihat 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')

• Gambar ( tfds.show_examples ): Tidak didukung.

• Contoh ( tfds.as_dataframe ):

• Kutipan :

@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}
}