Хакатон «Пульс города» от Академии ИИ: призовой фонд – 1 000 000 рублей.

Принимая участие в соревновании, вы соглашаетесь с Правилами участия.

Описание задачи

В 2026 году Омск носит статус Культурной столицы России. В городе проходят сотни спортивных, культурных и общественных событий, каждое из них по-разному отражается в СМИ. Одни публикации остаются почти незамеченными, другие получают широкий резонанс. При планировании информационного сопровождения мероприятий важно заранее понимать и оценивать, насколько заметной окажется та или иная публикация.

Сервисы медиамониторинга (например, «Медиалогия») оценивают каждую публикацию числом — заметностью. Чем выше значение, тем сильнее публикация «звучит» в медиаполе. Но заметность сильно зависит от издания. Материал в крупном СМИ почти всегда заметнее заметки в районной газете, и это не заслуга текста. Поэтому в задаче предлагается предсказывать нормированную заметность: насколько публикация заметнее обычной для своего же издания. Так название СМИ перестаёт быть «ярлыком», и выигрывает тот, кто лучше извлекает сигнал из содержания.

Участникам предлагается построить модель, которая по основной информации о публикации (заголовок, лид статьи и издание) предсказывает её нормированную заметность. Это задача обработки естественного языка (NLP) и регрессии. Решение должно работать на ресурсах центрального процессора без использования мощностей видеокарт.

Метрика

Качество оценивается модулем коэффициента ранговой корреляции Спирмена между предсказанной и истинной нормированной заметностью:

• значение лежит в диапазоне от 0 до 1, выше — лучше;
• метрика смотрит на порядок публикаций по заметности, а не на абсолютные значения, поэтому устойчива к скосу распределения и выбросам;
• константные предсказания допустимы, но не содержат ранжирующего сигнала и получают значение 0.0.

Метрика считается автоматически при отправке решения. При этом тест делится на публичную (виден предварительный результат в лидерборде) и приватную (определяет итоговые места) части.

Данные

Набор данных собран на основе мониторинга публикаций об омских событиях. Каждая строка соответствует одной публикации в СМИ.

Файлы:

Колонки:

• id — уникальный идентификатор публикации;
• title — заголовок публикации;
• text — лид статьи (первые 500 символов);
• date — дата публикации;
• outlet — издание (СМИ), где вышла публикация;
• target — нормированная заметность (только в train.csv; это и есть целевая переменная).

target — это z-оценка заметности внутри каждого издания: насколько публикация заметнее типичной для своего СМИ. У любого издания среднее target равно нулю, поэтому угадать значение просто по названию издания нельзя, нужен текст.

Особенности данных, о которых стоит знать:

• выборки разделены по времени: тест — это публикации, вышедшие позже обучающих;
• тело статьи намеренно обрезано до лида: так заметность нельзя угадать просто по длине статьи, решает именно содержание;
• название издания (outlet) выдаётся как признак, но само по себе не помогает: целевой признак нормирован внутри издания.

Baseline (базовое решение)

Этот baseline специально сделан простым и служит примером организации конвейера обработки данных. Решение протестировано с применением интерпретатора Python 3.12.4.

Формат решения

На проверку отправляется CSV-файл с двумя колонками: id и predict. Каждая строка представлена в виде пары «идентификатор публикации из test.csv» и «предсказанная нормированная заметность». Файл должен покрывать все id из test.csv.

Абсолютные значения не важны сами по себе, поскольку метрика смотрит на порядок. Важно правильно ранжировать публикации.

Правила использования данных и ресурсов

• Решение на CPU, значит тяжёлые внешние сервисы и платные API использовать не нужно.
• Разрешается использовать открытые ресурсы со свободной некоммерческой лицензией: предварительно обученные эмбеддинги/модели, корпуса для обучения векторов, лексиконы тональности и т.п.
• Запрещено пытаться «подсмотреть» истинную заметность тестовых публикаций во внешних сервисах медиамониторинга или вручную размечать тест. Оценивается именно предсказание по тексту.

Приватный обмен идеями (private sharing), решениями и кодом между участниками запрещён. В случае обнаружения этого факта, все причастные решения аннулируются.