- 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
该数据集包含美国15万用户对18万家企业的100万条点评，涵盖超过140万个商业属性，包括营业时间，停车位，便利性和环境等等。每条数据包括企业名称，位置，属性和类别
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) |
| FlyAI挑战奖 |
所有挑战者 |
奖金获取标准：60<Score<=100 按照得分比例获取奖金池金额 |
| 新框架奖励 |
所有人 |
项目中首次使用排行榜中未出现的新框架搭建模型，可获得60FAI币额外积分奖励 |
赛事主题和数据说明
赛题描述
通过迭代自己的算法模型并提交训练，获取奖金池高额奖金。小提示：抢先更新算法排行榜，有更大机会获取高额奖金哦
数据来源
Yelp
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 |
| text |
float |
大于等于 0, 小于等于 512 |
用户的评价内容 |
| stars |
float |
大于等于 0, 小于等于 4 |
用户的评价分数 |
参考文献：
[1]https://www.yelp.com/dataset/
附加文件：
| 名称 |
描述 |
| glove.txt |
英文的词向量 |
| vocab.json |
英文的词汇表 |
评审标准
算法输入输出格式
输入字段：
text,
输出字段：
stars,
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 60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128，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为69.75。
batch数据为32，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69.35。
batch数据为32，循环次数为16次，通过在线上环境完成训练，模型最优精度评分为69.20。
4
batch数据为16，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为67.55。
5
batch数据为128，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65.30。
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65.05。
7
batch数据为256，循环次数为6000次，通过在线上环境完成训练，模型最优精度评分为64.10。
8
batch数据为512，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62.95。
9
batch数据为128，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62.35。
10
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61.85。
11
batch数据为64，循环次数为6次，通过在线上环境完成训练，模型最优精度评分为61.75。
12
batch数据为128，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61.20。
13
batch数据为128，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58.75。
14
batch数据为500，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57.30。
15
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55.20。
16
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53.55。
17
batch数据为32，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为46.70。
18
batch数据为32，循环次数为8次，通过在线上环境完成训练，模型最优精度评分为45.30。
19
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33.55。
20
batch数据为64，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30.90。
21
batch数据为128，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30.40。
22
batch数据为512，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29.95。
23
batch数据为128，循环次数为128次，通过在线上环境完成训练，模型最优精度评分为29.80。
24
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29.65。
25
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29.65。
26
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29.35。
27
batch数据为64，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29.30。
28
batch数据为256，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29.30。
29
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29.25。
30
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29.10。
31
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29.10。
32
batch数据为128，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28.55。
33
batch数据为32，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28.55。
34
batch数据为256，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28.40。
35
batch数据为128，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28.30。
36
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27.40。
37
batch数据为32，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27.35。
38
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27.05。
39
batch数据为128，循环次数为25次，通过在线上环境完成训练，模型最优精度评分为26.05。
40
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25.90。
41
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25.80。
42
batch数据为128，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为25.65。
43
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25.55。
44
batch数据为4，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为25.00。
45
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24.45。
46
batch数据为256，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23.85。
47
batch数据为128，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23.00。
48
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23.00。
49
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23.00。
50
batch数据为16，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23.00。
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23.00。
52
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23.00。
53
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23.00。
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23.00。
55
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23.00。
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23.00。
57
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23.00。
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23.00。
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23.00。
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23.00。
61
batch数据为128，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为22.90。
62
batch数据为32，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22.30。
63
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22.15。
64
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21.10。
65
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20.10。
66
batch数据为256，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20.00。
67
batch数据为128，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19.60。
68
batch数据为128，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19.40。
69
batch数据为128，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19.30。
70
batch数据为64，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19.15。
71
batch数据为128，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18.40。
72
batch数据为128，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18.40。
73
batch数据为128，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18.40。
74
batch数据为128，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为18.05。
75
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18.05。
76
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17.95。
77
batch数据为256，循环次数为4000次，通过在线上环境完成训练，模型最优精度评分为17.75。
78
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17.65。
79
batch数据为256，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为17.15。
80
batch数据为128，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17.15。
81
batch数据为512，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16.80。
82
batch数据为256，循环次数为9000次，通过在线上环境完成训练，模型最优精度评分为16.70。
83
batch数据为128，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16.55。
84
batch数据为128，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16.40。
85
batch数据为128，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16.10。
86
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14.85。
87
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14.60。
88
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14.50。
89
batch数据为64，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14.50。
90
batch数据为512，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13.90。
91
batch数据为128，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13.65。
92
batch数据为1，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3.85。
- ksboy
-
模型得分为27.35，本次获得实时奖励奖金为10元
2019-04-01 21:08:33
- 看你很6哦
-
模型得分为17.2，本次获得实时奖励奖金为10元
2019-04-01 20:40:21
- 葱葱
-
模型得分为28.1，本次获得实时奖励奖金为10元
2019-04-01 20:08:04
- 善假于物
-
模型得分为13.05，本次获得实时奖励奖金为10元
2019-04-01 19:58:10
- Vincent
-
模型得分为15.6，本次获得实时奖励奖金为10元
2019-04-01 19:44:36
- baixin
-
模型得分为18.4，本次获得实时奖励奖金为10元
2019-04-01 19:42:33
- 葛臻晓Shindai
-
模型得分为16，本次获得实时奖励奖金为10元
2019-04-01 18:27:32
- wqllr
-
模型得分为14.6，本次获得实时奖励奖金为10元
2019-04-01 17:51:58
- GIANT731
-
模型得分为17.65，本次获得实时奖励奖金为10元
2019-04-01 17:48:52
- harry_koney
-
模型得分为19.4，本次获得实时奖励奖金为10元
2019-03-30 17:15:22
- cclxx
-
模型得分为68.3，本次获得实时奖励奖金为32元
2019-03-30 02:13:36
- Gavin
-
模型得分为0，本次获得实时奖励奖金为10元
2019-03-29 21:48:31
- lightning-zgc
-
模型得分为29.35，本次获得实时奖励奖金为10元
2019-03-29 02:58:48
- cclxx
-
模型得分为67.8，本次获得实时奖励奖金为60元
2019-03-28 19:22:50
- cclxx
-
模型得分为66.8，本次获得实时奖励奖金为77元
2019-03-28 02:23:16
- cclxx
-
模型得分为65.35，本次获得实时奖励奖金为2元
2019-03-28 02:09:52
- cookie
-
模型得分为14.05，本次获得实时奖励奖金为10元
2019-03-27 21:18:35
- cclxx
-
模型得分为14.4，本次获得实时奖励奖金为10元
2019-03-26 12:54:22
- N_chit
-
模型得分为16.15，本次获得实时奖励奖金为10元
2019-03-25 19:31:10
- LzM_
-
模型得分为21.1，本次获得实时奖励奖金为10元
2019-03-25 03:49:29
- Hallo
-
模型得分为65.3，本次获得实时奖励奖金为51元
2019-03-20 17:26:29
- Hallo
-
模型得分为64.2，本次获得实时奖励奖金为306元
2019-03-20 15:52:46
- 风雨兼程
-
模型得分为18.85，本次获得实时奖励奖金为10元
2019-03-18 11:47:57
- Hallo
-
模型得分为17.6，本次获得实时奖励奖金为10元
2019-03-17 23:07:28
- 张皓
-
模型得分为14.6，本次获得实时奖励奖金为10元
2019-03-16 14:32:32
