- 赛事介绍
- 竞赛排行榜
- 奖金记录
- 讨论($vue{comment_count})
- 学习资源
大赛简介
此数据集涵盖了24 万家餐馆，54 万用户，440 万条评论/评分数据。每条数据包含用户对餐馆的四个维度的评分（总体，环境，口味，服务），评分为从1到5的整数。该数据集适合做推荐系统、情感/观点/评论 倾向性分析
参赛须知
参赛时间: 本次竞赛无时间限制，长期有效开放
参赛方式
参赛选手说明
- 参赛人员身份信息需保证真实、有效，大赛主办方仅将个人信息用于赛事数据授权及颁奖使用
- 欢迎海内外的在校学生，算法工程师和所有AI爱好者参与
- 本次竞赛报名形式：以个人形式本地提交作品线上审核，并且以最终提交算法得分作为唯一有效成绩
- 在比赛截止日期前，团队中成绩最高分作为本团队的最终成绩
- 报名成功后请加入FlyAI竞赛交流群，一起学习进步！重要通知也将在群内发布，不要错过哦
比赛作品说明
- 参赛选手需要配合组委会对比赛作品的有效性与真实性进行验证
- 不同团队/个人，提交相似结果文件，取消双方所有人员参赛资格
- 多开小号报名、提交，一经发现将取消参赛资格
- 禁止使用外部链接下载代码替换本项目代码
- 比赛过程中，通过脚本获取比赛数据，成绩无效
- 使用线上测试集进行训练或者使用非官方提供的外部数据进行训练，成绩无效
- 使用的预训练模型需为FlyAI官方审核通过的模型，使用非官方验证预训练模型，成绩无效
- 提交的代码具备可解释性并且其它开源框架可复现
- 所有相似代码将一律不通过审核！！情况多次出现者封号处理
- 如有发现利用非正常手段作弊行为，奖金一律不发放。之前所获得奖金金额官方有权收回，情节严重者封号处理
- 提交代码即视为阅读并同意以上比赛作品说明
大赛奖项设置
奖项说明:
| 奖项设置 |
获奖人数 |
奖金额度说明(按最终得分评判) |
| 参与奖（总奖金20%） |
所有人 |
根据基线得分与100分之间，分成5个奖金区间；不同得分区间获得相应的竞赛奖金。 |
| 突破奖（总奖金10%） |
所有人 |
更新排行榜最高分数，获得相应的竞赛奖金 |
| 排名奖（总奖金70%） |
月赛前5名 |
奖金发放最终以月为单位，前5名获奖占比以K系数表示，分别为：0.45，0.25，0.15，0.1，0.05 |
| 不同框架奖励 |
所有人 |
获得60FAI币用于GPU训练资源消耗 |
赛事主题和数据说明
数据来源
MallRatings
数据描述
由于需要提交代码作品在云端进行训练，参赛数据集不对外开放。仅提供调试数据。
字段说明：
| 文件名 |
字段名称 |
字段类型 |
备注 |
| userId |
int |
不为空 |
用户id |
| restId |
int |
不为空 |
引用的id |
| rating |
int |
大于等于 0, 小于等于 5 |
总体评分 |
| rating_env |
int |
大于等于 1, 小于等于 5 |
环境评分 |
| rating_flavor |
int |
大于等于 1, 小于等于 5 |
口味评分 |
| rating_service |
int |
大于等于 1, 小于等于 5 |
服务评分 |
| timestamp |
int |
不为空 |
评分时间戳 |
| comment |
string |
不为空 |
评论内容 |
参考文献：
[1]https://github.com/SophonPlus/ChineseNlpCorpus
评审标准
算法输入输出格式
输入字段：
comment,
输出字段：
rating,
评审指标说明
- 准确率（Accuracy）：对于给定的测试数据集，预测正确的样本数与实际总样本数之比
- True，表示预测正确的样本数数量
- Total Number of Samples，表示实际总样本数数量
- 计算公式如下：
比赛常见问题说明
Q:比赛使用什么框架？
- 比赛支持常用的机器学习和深度学习框架，比如TensorFlow，PyTorch，Keras，Scikit-learn、MXNet等。
Q:怎么参加比赛，需不需要提交CSV文件？
- FlyAI竞赛平台提供免费云端GPU资源，报名后可以使用自己熟练的框架，修改main.py中的网络结构和processor.py中的数据处理；仅部分赛题支持CSV方式提交，请仔细阅读参赛方式相关内容。
Q:比赛排行榜分数怎么得到的？
- 参加项目竞赛必须实现 model.py 中的predict_all方法。系统通过该方法，调用模型得出评分。
超过 95分 的成绩会在48小时内更新到排行榜，不要着急哦！
batch数据为64，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为46.65。
batch数据为128，循环次数为5次，通过在线上环境完成训练，模型最优精度评分为41.83。
batch数据为1000，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为41.25。
4
batch数据为32，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为37.70。
5
batch数据为80，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为37.65。
6
batch数据为256，循环次数为5000次，通过在线上环境完成训练，模型最优精度评分为34.76。
7
batch数据为512，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为33.48。
8
batch数据为512，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为33.14。
9
batch数据为1024，循环次数为5次，通过在线上环境完成训练，模型最优精度评分为26.36。
10
batch数据为32，循环次数为150次，通过在线上环境完成训练，模型最优精度评分为25.58。
11
batch数据为64，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为25.58。
12
batch数据为1024，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为25.58。
13
batch数据为16，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为25.58。
14
batch数据为256，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为25.57。
15
batch数据为128，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为23.65。
16
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为8.09。
17
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为6.60。
18
batch数据为256，循环次数为12次，通过在线上环境完成训练，模型最优精度评分为6.41。
19
batch数据为128，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为6.40。
20
batch数据为32，循环次数为160次，通过在线上环境完成训练，模型最优精度评分为6.13。
21
batch数据为1024，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为5.29。
22
通过在线上环境完成训练，模型最优精度评分为4.60。
23
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为4.60。
24
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为4.60。
25
batch数据为128，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为4.60。
26
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
27
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为4.60。
28
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
29
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
30
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
31
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
32
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
33
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
34
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
35
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
36
batch数据为128，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
37
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
38
batch数据为32，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为4.60。
39
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
40
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
41
batch数据为3000，循环次数为64次，通过在线上环境完成训练，模型最优精度评分为4.60。
42
batch数据为32，循环次数为5次，通过在线上环境完成训练，模型最优精度评分为4.60。
43
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
44
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
45
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
46
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
47
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
48
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为4.60。
49
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
50
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
51
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
52
batch数据为64，循环次数为3次，通过在线上环境完成训练，模型最优精度评分为4.60。
53
batch数据为64，循环次数为3次，通过在线上环境完成训练，模型最优精度评分为4.60。
54
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
55
batch数据为5000，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为4.60。
56
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
57
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
58
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
59
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
60
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
61
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
62
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
63
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
64
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
65
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为4.60。
66
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
67
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
68
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为4.60。
69
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
70
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
71
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
72
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
73
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
74
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
75
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
76
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为4.60。
77
batch数据为64，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为3.70。
78
batch数据为128，循环次数为1500次，通过在线上环境完成训练，模型最优精度评分为3.67。
79
batch数据为300，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为0.00。
