Постановка задачи

В этом соревновании нужно отобрать наиболее релевантные объявления, с которыми пользователь проконтактирует. При этом важно соблюсти баланс между вертикалями каталога (всего 8 анонимизированных значений vertical_id): модель должна удерживать качество сразу во всех категориях, а не выигрывать только за счёт одной вертикали.

Для обучения предоставлены обезличенные действия пользователей на площадке Авито за период с 21 января 2026 по 22 апреля 2026. Все исходные идентификаторы (user_id, item_id, eid, vertical_id) анонимизированы.

Датасет разделён по дате:

• train — все события раньше 2026-04-15 00:00:00, используются для обучения (~5 млрд событий).
• gap — 2026-04-15 00:00:00 — 2026-04-15 12:00:00 (12 часов), события из этого окна не используются ни в train, ни в eval.
• eval — контактные события с 2026-04-15 12:00:00 по 2026-04-22 для 94 408 пользователей, используются как таргет для проверки качества.

Для каждого пользователя из eval-выборки нужно предсказать до 160 уникальных item_id, с которыми он проконтактирует в период eval.

Формат решений

Решение загружается в виде CSV-файла с двумя колонками — user_id и item_id. Одна строка — одна пара (пользователь, объявление).

user_id,item_id
12,8345
12,91024
12,12
77,553
77,91024
...

Ограничения на файл:

• максимум 160 строк на одного user_id (Recall@160);
• все пары (user_id, item_id) должны быть уникальны — дубликаты считаются ошибкой валидации;
• user_id должны принадлежать eval-выборке (см. eval_users.csv), item_id — множеству из item_features.parquet;
• порядок строк не важен — все 160 кандидатов оцениваются равнозначно;
• для пользователей, которых нет в файле решения, метрика на их таргетах считается как 0.

Проверка решений

Качество предсказаний оценивается метрикой Recall@160, усреднённой по пользователям eval-выборки:

recall_u = |predicted_u ∩ targets_u| / |targets_u|
Recall@160 = mean over users u of recall_u

Где targets_u — это множество объявлений, с которыми пользователь u реально проконтактировал в eval-периоде (см. раздел «Как собирается eval»), а predicted_u — его кандидаты из сабмита (не более 160).

Лидерборд разделён на Public и Private:

• Public и Private — это непересекающиеся подмножества пользователей eval-выборки, поделённые детерминированным хэшем от (user_id, bucket) в пропорции 20% / 80% внутри каждого бакета (вертикального и holdout). Стратификация гарантирует, что каждая вертикаль и каждый holdout-пул внесли пропорциональный вклад и в Public, и в Private.
• Во время соревнования участники видят только Public-метрику; Private раскрывается по окончании и определяет итоговое место.

Для оффлайн-валидации можно использовать готовый скрипт prepare_local_eval.py (см. раздел «Локальная валидация»).

Как собирается eval

Eval-таргет собирается из реальных контактных событий пользователей в период с 2026-04-15 12:00:00 по 2026-04-22. Баланс по вертикалям достигается через квоты по бакетам: 5 вертикальных + 5 holdout, до 10 000 пользователей в каждом.

1. Из полного кликстрима берутся события с timestamp ≥ 2026-04-15 12:00:00 (12-часовой gap после train).
2. Остаются только контактные события — eid из contact_eids.csv.
3. Применяются три фильтра по таргет-объявлениям:
   • item_id встречается в train у ≥ 2 разных пользователей;
   • (user_id, item_id) отсутствует в train-истории пользователя (anti-join — eval-таргет должен быть «новой» рекомендацией, а не повторным контактом по уже увиденному объявлению);
   • item_id входит в item_features.parquet.
4. Получившиеся пользователи группируются в 10 непересекающихся бакетов:
   • 5 вертикальных бакетов до 10 000 пользователей в каждом с ≥90% уникальных train-объявлений в одной вертикали. Бакеты используют 6 из 8 анонимизированных mapped_vertical_id: v0={0}, v2={2}, v3={3}, v4={4}, v57={5, 7} (id 5 и 7 объединены в один бакет). mapped_vertical_id 1 и 6 — в eval не входят;
   • 5 holdout-бакетов (h0..h4) — по 10 000 пользователей в каждом, случайно сэмплируются из тех пользователей, кто не попал ни в один из вертикальных бакетов.
5. Для каждого пользователя из бакета берутся первые 160 уникальных item_id по времени — эта длина совпадает с лимитом сабмита (Recall@160).
6. Полученный плоский список пар (user_id, item_id) делится на Public и Private per-bucket хэшем 20/80 — сами файлы участникам не выдаются.

Концептуально пайплайн (без literal-путей — пост-threshold кликстрим участникам не публикуется):

# 1. Items с >=2 уникальными пользователями в train
train_items_2u = train.group_by("item_id").agg(...).filter(n_users >= 2)

# 2. (user, item) пары, виденные в train — для anti-join
seen_in_train = train.select(["user_id", "item_id"]).unique()

# 3. Eval-кандидаты:
#       timestamp >= EVAL_START_MS  (после 12h gap, начало 2026-04-15 12:00 MSK)
#       eid ∈ contact_eids
#       item_id ∈ train_items_2u
#       (user_id, item_id) ∉ seen_in_train
candidates = post_threshold_clickstream  \
    .filter(...).join(train_items_2u).join(seen_in_train, how="anti")

# 4. Бакетинг 5 vertical (до 10k каждый) + 5 holdout × 10k → 94 408 пользователей.
# 5. Первые K=160 уникальных контактных item_id на пользователя по timestamp.

Полностью runnable версия этого же пайплайна (но на синтетическом split внутри train) — это prepare_local_eval.py (см. раздел «Локальная валидация»). Если нужно своими руками воспроизвести логику оффициального eval — изучайте именно его, постановка фильтров идентичная.

История этих 94 408 пользователей до 2026-04-15 00:00:00 доступна отдельно в eval_user_events.pq — её можно свободно использовать для инференса и обучения: это не таргет, а история пользователя на момент предсказания.

Локальная валидация

Чтобы экспериментировать с моделью без расхода квоты сабмитов, опубликован готовый скрипт prepare_local_eval.py, который собирает «искусственный» eval внутри train-периода с тем же набором фильтров:

python prepare_local_eval.py \
    --train data/train.parquet \
    --item-features data/item_features.parquet \
    --contact-eids data/contact_eids.csv \
    --out data/local_eval.csv
# ...затем тренируйте модель только на событиях с timestamp < 2026-04-08 00:00:00,
# предсказывайте 160 кандидатов на пользователя в local_eval.csv,
# скоррируйте через bin/datafest_2026_v2/calc_metric.py

CLI принимает только пути к данным и --synth-threshold (по умолчанию 2026-04-08 00:00:00 — на неделю раньше реальной). Остальные параметры зашиты в скрипт как константы и совпадают с официальной спецификацией: 12h gap, K=160, ≥2 users per item, 0.9 vertical threshold, бакетинг v0/v2/v3/v4/v57+5 holdout по 10 000 пользователей. Скрипт пишет два файла: local_eval.csv (для calc_metric.py) и local_eval_users.csv (user_id → bucket — для per-bucket анализа Recall@160).

Бейзлайны

Эталонный простейший бейзлайн — Popular: popular.py. Запускается одной командой и выдаёт валидный сабмит за ~10 секунд:

python popular.py \
    --eval-user-events data/eval_user_events.pq \
    --item-features data/item_features.parquet \
    --eval-users data/eval_users.csv \
    --out submission_popular.csv

Что считается: топ-160 самых частых item_id в pre-threshold истории eval-пользователей, ограничено вертикалями {0, 2, 3, 4, 5, 7} (то есть используемыми в eval-бакетах). Один и тот же список для всех 94 408 пользователей.

Информация для участников

Участники могут объединяться в команды до 4 человек.

Канал общения и обсуждения между участниками всех вопросов — https://t.me/+CoMfO8J2F8w4MzQy 

Период выбора итоговых решений до 12:00 (по московскому времени) 27 мая 2026

Задача соревнования

Задачей является предсказание актуальных для пользователя объявлений на основании истории пользователя и метаинформации о нем и объявлениях. Участникам необходимо определить с какими объявления пользователь вероятнее всего проконтактирует.

Правила участия

Ознакомиться с Правилами участия в соревновании AvitoTech ML cup 2026

Проверка решений

• Решения проверяются автоматически. Запуск происходит на полностью закрытых тестовых данных, которые не передаются участникам.
• На лидерборде рейтинг участников будет рассчитываться по Public подвыборке ответов из тестовых данных. Финальные метрики будут рассчитаны на Private подвыборке. Отношение Public/Private - 40/60.
• Кол-во сабмитов в день: 5
• Метрика соревнования — Recall@160

Данные

Все файлы и их описание вы найдете во вкладке “Данные” после старта соревнований

Призовой фонд

1 место - 300 000 рублей

2 место - 250 000 рублей

3 место - 200 000 рублей