Criteo数据集的含义

Criteo数据集是由全球知名的广告技术公司Criteo实验室提供的一个经典数据集，广泛应用于点击率（CTR）预测和推荐系统的研究与开发。该数据集因其规模大、特征丰富，成为机器学习和深度学习领域中常用的基准数据集。

 一、数据集的结构与特点

1. 数据规模

   Criteo数据集包含数百万条展示广告的点击记录，具体分为训练集和测试集。训练集包含约4000万条记录，测试集包含约600万条记录。

2. 特征组成  

   - 标签（Label）：表示广告是否被点击，1表示点击，0表示未点击。
   - 数值特征（Numerical Features）：共有13个数值特征（I1-I13），主要为计数特征。
   - 分类特征（Categorical Features）：共有26个分类特征（C1-C26），这些特征的值被哈希到32位以进行匿名化处理。

3. 数据格式  

   数据以制表符分隔，每一行代表一次广告展示，格式为：`<标签> <数值特征1> ... <数值特征13> <分类特征1> ... <分类特征26>`。

 二、数据集的应用

1. 点击率预测（CTR Prediction） 

   Criteo数据集是点击率预测领域的经典数据集，被广泛用于评估和比较不同CTR预测模型的性能。

2. 推荐系统研究  

   该数据集也常用于推荐系统的研究，帮助研究人员和开发者构建和优化推荐算法。

3. 机器学习与深度学习模型训练  

   Criteo数据集被广泛用于训练和验证各种机器学习和深度学习模型，如DeepFM、Wide & Deep等。

 三、数据预处理与使用

1. 数据预处理

    - 缺失值处理：数值特征缺失值通常填充为0，分类特征缺失值填充为-1。
   - 特征编码：分类特征通常使用Label Encoder进行编码，数值特征进行归一化处理。

2. 数据划分  

   数据集通常被划分为训练集、验证集和测试集，以支持模型的训练和评估。

3. 模型训练与验证

    Criteo数据集被广泛用于训练和验证各种CTR预测模型，如DeepFM、Wide & Deep等。