数据来源：天池新人实战
在真实的业务场景下，我们往往需要对所有商品的一个子集构建个性化推荐模型。在完成这件任务的过程中，我们不仅需要利用用户在这个商品子集上的行为数据，往往还需要利用更丰富的用户行为数据。定义如下的符号：
U——用户集合
I——商品全集
P——商品子集，P ⊆ I
D——用户对商品全集的行为数据集合
那么我们的目标是利用D来构造U中用户对P中商品的推荐模型。
20000 用户的完整行为数据，及百万商品信息
第一部分 商品全集上的移动端行为数据
| 字段 | 字段说明 | 提取说明 |
|---|---|---|
| user_id | 用户标识 | 抽样&字段脱敏 |
| item_id | 商品标识 | 字段脱敏 |
| behaviour_type | 用户对商品的行为类型 | 见下表 |
| user_geohash | 用户空间位置标识 | 又经纬度通过保密算法生成 |
| item_category | 商品分类标识 | 字段脱敏 |
| time | 行为时间 | 精确到小时级别 |
用户行为信息表
| 行为 | 浏览 | 收藏 | 加购物车 | 购买 |
|---|---|---|---|---|
| 取值对应 | 1 | 2 | 3 | 4 |
第二部分 商品子集
| 字段 | 字段说明 | 提取说明 |
|---|---|---|
| item_id | 商品标识 | 抽样&字段脱敏 |
| item_geohash | 商品位置的空间标识 | 由经纬度保密算法生成 |
| item_category | 商品分类标识 | 字段脱敏 |
训练数据包含了抽样出来的一定量用户在一个月时间（11.18~12.18）之内的移动端行为数据（D），评分数据是这些用户在这个一个月之后的一天（12.19）对商品子集（P）的购买数据。参赛者要使用训练数据建立推荐模型，并输出用户在接下来一天对商品子集购买行为的预测结果。