推荐系统可以很好地解决信息过载以及信息不足等问题，广泛应用与电商、金融、新闻咨询、社交、旅游等行业，其中最典型并具有良好的发展和应用前景的领域就是电子商务领域。
在学术界，推荐系统同样是热门的研究方向，在各大顶会中的论文数目相当可观。在kaggle平台，推荐系统相关的竞赛同样也不少。
这次我就帮同学们整理了部分kaggle推荐系统比赛，各场比赛的金牌方案也分享了，baseline代码合集文末领取。
1.OTTO多目标推荐系统大赛
比赛链接：OTTO – Multi-Objective Recommender System | Kaggle
比赛背景：拥有超过1900个品牌、1000万种产品的最大德国线上商店Otto(奥托)，是总部位于汉堡的跨国奥托集团旗下子公司，该集团还拥有Crate & Barrel(美国)和3 Suisses(法国)。
本次竞赛的目标是预测电子商务点击、购物车添加和订单。参赛者将根据用户会话中的先前事件构建多目标推荐系统。参赛者的工作将有助于改善所有相关人员的购物体验。客户将收到更多量身定制的建议，而在线零售商可能会增加销售额。
评估标准：提交内容根据每个操作“类型”的Recall@20进行评估，三个召回值进行加权平均:
比赛时间：2022.11-2023.1
金牌方案：
第一名：OTTO – Multi-Objective Recommender System | Kaggle
第二名：OTTO – Multi-Objective Recommender System | Kaggle
第三名：OTTO – Multi-Objective Recommender System | Kaggle
第四名：OTTO – Multi-Objective Recommender System | Kaggle
第五名：OTTO – Multi-Objective Recommender System | Kaggle
第六名：OTTO – Multi-Objective Recommender System | Kaggle
第七名：OTTO – Multi-Objective Recommender System | Kaggle
第八名：OTTO – Multi-Objective Recommender System | Kaggle
第九名：OTTO – Multi-Objective Recommender System | Kaggle
第十名：OTTO – Multi-Objective Recommender System | Kaggle
第十一名：OTTO – Multi-Objective Recommender System | Kaggle
第十二名：OTTO – Multi-Objective Recommender System | Kaggle
第十三名：OTTO – Multi-Objective Recommender System | Kaggle
第十四名：OTTO – Multi-Objective Recommender System | Kaggle
第十五名：OTTO – Multi-Objective Recommender System | Kaggle
2.H&M个性化时尚推荐大赛
比赛链接：H&M Personalized Fashion Recommendations | Kaggle
比赛背景：H&M集团是一个品牌和企业家族，拥有53个在线市场和约4850家商店。我们的在线商店为购物者提供了广泛的产品选择供您浏览。但是，由于选择太多，客户可能无法快速找到他们感兴趣或正在寻找的内容，最终他们可能不会购买。为了增强购物体验，产品推荐是关键。更重要的是，帮助客户做出正确的选择也对可持续性产生了积极影响，因为它减少了回报，从而最大限度地减少了运输的排放。
在本次竞赛中，H&M集团邀请参赛者根据先前交易的数据以及客户和产品元数据制定产品推荐。可用的元数据范围从服装类型和客户年龄等简单数据到产品描述中的文本数据，再到服装图像中的图像数据。
评估标准：提交内容根据平均平均精度@12(MAP@12)进行评估：
比赛时间：2022.2-2022.5
金牌方案：
第一名：H&M Personalized Fashion Recommendations | Kaggle
第二名：H&M Personalized Fashion Recommendations | Kaggle
第三名：H&M Personalized Fashion Recommendations | Kaggle
第四名：H&M Personalized Fashion Recommendations | Kaggle
第五名：H&M Personalized Fashion Recommendations | Kaggle
第六名：H&M Personalized Fashion Recommendations | Kaggle
第八名：H&M Personalized Fashion Recommendations | Kaggle
第九名：H&M Personalized Fashion Recommendations | Kaggle
第十名：H&M Personalized Fashion Recommendations | Kaggle
第十一名：H&M Personalized Fashion Recommendations | Kaggle
第十二名：H&M Personalized Fashion Recommendations | Kaggle
第十三名：H&M Personalized Fashion Recommendations | Kaggle
3.Elo 商家类别推荐大赛
比赛链接：Elo Merchant Category Recommendation | Kaggle
比赛背景：Elo已经建立了机器学习模型来了解客户生命周期中最重要的方面和偏好，从食物到购物。但到目前为止，没有一个模型是专门针对个人或配置文件定制的。
在这个竞赛中，Kaggle用户将开发算法来识别和为个人提供最相关的机会，方法是发掘客户忠诚度中的信号。参赛者的贡献将改善客户的生活，并帮助Elo减少不必要的活动，为客户创造恰到好处的体验。
评估标准：提交结果的评分基于均方根误差。均方根误差定义为：
比赛时间：2019.2
金牌方案：
第一名：Elo Merchant Category Recommendation | Kaggle
第五名：Elo Merchant Category Recommendation | Kaggle
第七名：Elo Merchant Category Recommendation | Kaggle
第十名：Elo Merchant Category Recommendation | Kaggle
第十一名：Elo Merchant Category Recommendation | Kaggle
第十四名：Elo Merchant Category Recommendation | Kaggle
第十六名：Elo Merchant Category Recommendation | Kaggle
第十八名：Elo Merchant Category Recommendation | Kaggle
4.WSDM - KKBox的音乐推荐大赛
比赛链接：WSDM - KKBox's Music Recommendation Challenge | Kaggle
比赛背景：虽然公众现在听各种音乐，但算法仍然在关键领域挣扎，如果没有足够的历史数据，算法如何知道听众会喜欢一首新歌还是新艺术家？而且，它如何知道推荐哪些歌曲来推荐全新的用户？
WSDM向Kaggle ML社区提出了挑战，以帮助解决这些问题并构建更好的音乐推荐系统。该数据集来自亚洲领先的音乐流媒体服务KKBOX，拥有世界上最全面的亚洲流行音乐库，拥有超过30万首曲目。他们目前使用基于协同过滤的算法，在他们的推荐系统中使用矩阵分解和词嵌入，但相信新技术可以带来更好的结果。
评估标准：提交内容根据预测概率和观测目标之间的ROC曲线下面积进行评估。
比赛时间：2017.12-2018.2
金牌方案：
第一名：WSDM - KKBox's Music Recommendation Challenge | Kaggle
第二名：WSDM - KKBox's Music Recommendation Challenge | Kaggle
第六名：WSDM - KKBox's Music Recommendation Challenge | Kaggle
5.桑坦德产品推荐大赛
比赛链接：Santander Product Recommendation | Kaggle
比赛背景：在他们目前的系统下，桑坦德银行的少数客户会收到许多建议，而其他许多客户很少看到任何导致客户体验不平衡的建议。在他们的第二场比赛中，桑坦德银行正在挑战Kagglers，根据他们过去的行为和类似客户的行为来预测他们的现有客户将在下个月使用哪些产品。
有了更有效的推荐系统，桑坦德银行可以更好地满足所有客户的个性化需求，并确保他们的满意度，无论他们身在何处。
评估标准：提交内容根据平均平均精度@7 (MAP@7)进行评估：
比赛时间：2016.12
金牌方案：
第一名：Santander Product Recommendation | Kaggle
第二名：Santander Product Recommendation | Kaggle
第三名：Santander Product Recommendation | Kaggle
第四名：Santander Product Recommendation | Kaggle
第五名：Santander Product Recommendation | Kaggle
第七名：Santander Product Recommendation | Kaggle
第八名：Santander Product Recommendation | Kaggle
第九名：Santander Product Recommendation | Kaggle
第十一名：Santander Product Recommendation | Kaggle
第十三名：Santander Product Recommendation | Kaggle
6.Expedia 网站酒店推荐大赛
比赛链接：https://www.kaggle.com/competitions/expedia-hotel-recommendations
比赛背景：Expedia想要通过为用户提供个性化的酒店推荐来消除酒店搜索中的难题。这对一个每个月有数亿访问量的网站来说不是一个小任务!
目前，Expedia使用搜索参数来调整他们的酒店推荐，但没有足够的客户特定数据来为每个用户定制。在这个竞赛中，Expedia正在挑战Kaggle用户根据客户数据的上下文来预测用户入住100个不同酒店集团的可能性。
评估标准：提交内容根据<平均平均精度@5>(MAP@5)进行评估：
比赛时间：2016.6
金牌方案：
第一名：Expedia Hotel Recommendations | Kaggle
第六名：Expedia Hotel Recommendations | Kaggle
7.活动推荐引擎挑战赛
比赛链接：Event Recommendation Engine Challenge | Kaggle
比赛背景：该挑战赛要求参赛者根据用户过去响应的事件、用户人口统计信息以及事件来预测用户会对哪些事件感兴趣。从这些数据中发现的见解以及获奖者创建的算法将使我们能够改进我们的活动推荐算法，这是我们应用程序的核心部分，也是改善用户体验的关键要素。
评估标准：本次比赛的评价指标是平均精度200（任何一个用户的最大事件数是116，所以200不会产生有意义的限制）。
比赛时间：2013.1-2013.2
金牌方案：
第七名：Event Recommendation Engine Challenge | Kaggle
关注下方《学姐带你玩AI》🚀🚀🚀
回复“RS金牌”免费领取baseline代码合集
码字不易，欢迎大家点赞评论收藏！
