<h2><strong>Правила участия</strong></h2><p>Нажимая кнопку «Участвовать» и/или «Отправить решение», вы соглашаетесь с <a target="_blank" rel="noopener noreferrer" href="https://storage.yandexcloud.net/ds-ods/files/data/docs/competitions/E-CUP-2026/E-CUP-2026-Rules.pdf">Условиями конкурса Соревнования E-CUP «Ozon Tech»</a></p>

<p>Дубли карточек товаров вводят пользователей в заблуждение и усложняют навигацию на маркетплейсе. Задача соотнесения или идентификации одинаковых товаров (матчинга) актуальна и востребованна для любой крупной онлайн-платформы: она должна решаться максимально точно, а скорость самого решения должна поспевать за ростом числа товаров.</p>

<p>В этом соревновании участникам предстоит решить упрощенную постановку задачи матчинга: сами пары кандидатов из Retrieval части задачи уже собраны заранее и подготовлены к тому, чтобы их классифицировали. Однако, не все так просто:</p>

<ul>
	<li>Данных для подготовки решений предоставляется достаточно много &ndash; более 13 миллионов товаров из 20 категорий, и более 11 миллионов размеченных пар;</li>
	<li>Разметка пар происходит из двух источников: более достоверная ручная разметка людьми (365 тысяч пар), а также вероятностная разметка на основе LLM (более 11 миллионов пар);</li>
	<li>Ключевая особенность и ограничение для решений &mdash; они должны работать быстро. Лимиты времени достаточно жесткие, поэтому решения должны обязательно в них укладываться;</li>
	<li>Помимо обучения собственной модели матчинга, участники могут самостоятельно осуществить переразметку данных с использованием LLM. Однако для переразметки допускается использовать только модели с открытой лицензией; применение проприетарных больших языковых моделей запрещено. Код для обучения модели и выполнения разметки должен быть воспроизводимым.</li>
</ul>

<p>Подробнее про данные и их структуру можно узнать на странице <a href="https://ods.ai/competitions/e-cup-2026-matching/dataset" rel="noopener noreferrer" target="_blank">&ldquo;<strong>Данные&rdquo;</strong></a>.&nbsp;</p>

<p>Это контейнерное соревнование:</p><ol><li>Обучите модель на предоставленных данных;</li><li>Подготовьте Docker-контейнер и код с весами ваших обученных моделей;</li><li>Отправьте решение в виде архива;</li><li>Ваше решение будет автономно запущено на закрытых тестовых данных.</li></ol><h3><strong>Входные аргументы решения</strong></h3><p>Решение получает на вход следующие именованные аргументы:</p><ul><li><code>--items_path</code> <code>-i</code> путь к файлу с данными о товарах (например, <code>items.parquet</code>);&nbsp;</li><li><code>--matches_path</code> <code>-i</code> путь к файлу с подготовленными парами <code>id</code> товаров (например, <code>matches.parquet</code>);&nbsp;</li><li><code>--output-path</code> <code>-o</code> имя файла, в который вам нужно сохранить результат (например, <code>submit.csv</code>).</li></ul><h3><strong>Формат выходного файла</strong></h3><p>Результатом работы решения должен быть <code>.csv-</code>файл с тремя столбцами:&nbsp;</p><ul><li>Столбец <code>id1</code> должен содержать предоставленные идентификаторы первых товаров в паре для сравнения;</li><li>Столбец <code>id2</code> должен содержать предоставленные идентификаторы вторых товаров в паре для сравнения;</li><li>Столбец <code>predict</code> должен быть вашим результатом классификации (num — разрешены «сырые» результаты предсказаний).</li></ul><h3><strong>Docker-образ</strong></h3><p>В архиве с решением должны быть все необходимые для работы модели файлы.&nbsp;</p><p>Главное — в архиве должен быть файл <code>metadata.json</code> с указанием используемого докер-образа (рекомендуем начать с <code><strong>odsai/ecup26-matching-baseline:1.0</strong></code>) и строки для запуска вашей модели:</p><pre><code class="language-javascript">{
   "image": "odsai/ecup26-matching-baseline:1.0",
   "entry_point": "python -u run.py"
}</code></pre><p>Участники могут собрать свой собственный Docker-образ:</p><ul><li>Можно использовать стартовый baseline-образ, но при необходимости установки каких-либо дополнительных библиотек, вам нужно будет собрать новый образ под свое решение;</li><li>Чтобы использовать свой образ при проверке решений, вы должны выложить его на dockerhub <a target="_blank" rel="noopener noreferrer" href="https://hub.docker.com/">https://hub.docker.com</a>. Укажите его в <code>metadata.json</code> и тогда проверочная система при запуске скачает архив вашего образа;</li><li>У образов есть ограничение: в заархивированном виде они не должны превышать <code>15,000 MB</code>;</li><li>Если вы впервые сталкиваетесь с Docker, вам может помочь <a target="_blank" rel="noopener noreferrer" href="https://youtu.be/KwVfwnlzLpE">вебинар о том, как собрать докер</a>.&nbsp;</li></ul>

<p>Решения проверяются автоматически, а сама проверка проходит в 3 стадии:</p>

<ol>
	<li><strong>Docker</strong>: решение должно успешно автономно отработать на закрытых тестовых данных, уложиться по времени и доступным ресурсам, и в результате сохранить <code>.csv</code> файлы с результатами классификации пар;</li>
	<li><strong>Result:</strong> сохраненные результаты классификации пар должны соответствовать заданному формату и быть предоставлены для всех тестовых пар товаров;</li>
	<li><strong>Подсчет метрики:</strong> если решение прошло все проверки и нигде не упало, на результатах классификации считается метрика соревнования.</li>
</ol>

<h3><strong>Docker-стадия</strong></h3>

<ul>
	<li>Запуск решений происходит&nbsp;в изолированной среде без доступа в интернет:&nbsp;
	<ul>
		<li>Все библиотеки и их версии должны быть уже загружены в вашем Docker-образе;</li>
		<li>Запуск происходит на полностью закрытых тестовых данных, которые не доступны и не передаются участникам;</li>
		<li>Обратите внимание, что в тестовых данных будут другие товары.&nbsp;</li>
	</ul>
	</li>
	<li>Решения запускаются последовательно на 3 закрытых наборах тестовых данных:
	<ol>
		<li><code>Check</code>, отладочные 1000 пар товаров, которые не идут в рейтинг;</li>
		<li><code>Public</code> test, для результатов на <strong>Public-</strong>лидерборде в течение соревнования;</li>
		<li><code>Private</code> test, для итоговых результатов <strong>Private-</strong>лидерборда.</li>
	</ol>
	</li>
	<li>Решение считается успешно прошедшим Docker стадию на одном из тестовых наборов данных, если:&nbsp;
	<ul>
		<li>Решение успешно сохранило выходной файл с результатами классификации пар;</li>
		<li>Решение уложилось в ресурсные и временные ограничения;</li>
		<li>Если решение упало на одном из тестовых наборов данных &ndash; оно не оценивается, а процесс проверки завершается.</li>
	</ul>
	</li>
</ul>

<h3><strong>Result-стадия</strong></h3>

<ul>
	<li>Успешно сохраненные выходные файлы должны соблюдать ряд требований:
	<ul>
		<li>Файл должен строго соответствовать описанному <code>.csv-</code>формату;</li>
		<li>Каждой без исключения предоставленной тестовой паре товаров должен соответствовать результат классификации;&nbsp;</li>
		<li>Если сохраненный файл не соответствует этим требованиям, решение считается некорректным, а его дальнейшее исполнение завершается с ошибкой.</li>
	</ul>
	</li>
	<li>Результат работы решения осуществляется путем сопоставления с известными истинными метками тестовых пар товаров:
	<ul>
		<li>Если решение успешно прошло все проверки на каждом тестовом наборе товаров, для решения считается метрика соревнования;</li>
		<li>Истинные метки в тестовых данных доступны только организаторам.</li>
	</ul>
	</li>
</ul>

<h3><strong>Метрика соревнования</strong></h3>

<p>Метрика соревнования &mdash; <strong>Macro Averaged PR-AUC</strong> (Area Under Precision-Recall Curve; площадь под кривой &laquo;полнота-точность&raquo;)<strong>.&nbsp;</strong><br />
По каждой из 20 категорий считается <strong>PR-AUC,</strong> после чего все полученные результаты метрики усредняются.&nbsp;</p>

<p>Для расчета метрики используется ее <strong>sklearn</strong> имплементация:&nbsp;</p>

<pre>
<code class="language-bash">from sklearn.metrics import average_precision_score</code></pre>

<p>Обратите внимание, что использование функции <code>auc</code> для самой Precision-Recall кривой <a href="https://scikit-learn.org/stable/modules/generated/sklearn.metrics.precision_recall_curve.html" rel="noopener noreferrer" target="_blank">средствами sklearn</a> приведет к завышению показателей метрики ввиду особенностей процедуры подсчета (интерполяции точек кривой).&nbsp;</p>

<p>Соотношение public/private в соревновании составляет приблизительно 30/70:&nbsp;</p>

<ul>
	<li>~30%, или в районе 115 тысяч пар товаров используются для результатов на public-лидерборде. &nbsp;</li>
	<li>~70%, или в районе 275 тысяч пар товаров используются для результатов на private-лидерборде.</li>
</ul>

<h4><strong>Доступные ресурсы для решений</strong></h4>

<ul>
	<li>20 ядер CPU</li>
	<li>200Gb RAM</li>
	<li>Видеокарта NVidia Tesla H100 (80Gb)</li>
</ul>

<h4><strong>Ограничения по времени:</strong></h4>

<ul>
	<li><code>Check</code>: 1 минута</li>
	<li><code>Public</code>: 6 минут</li>
	<li><code>Private</code>: 13 минут</li>
</ul>

<h4><strong>Ограничения для решений</strong></h4>

<ol>
	<li>Архив с решением: 5GB</li>
	<li>Docker-образ: 15GB</li>
</ol>

<h4><strong>Ограничения для команд</strong>:</h4>

<ul>
	<li>Максимальное число решений в день: 5</li>
	<li>Максимальное число участников в команде: 5</li>
	<li>Число выбранных финальных решений: 2</li>
</ul>

____
# Определение призеров

<p>В соответствии с правилами, соревнование проходит в несколько этапов:</p><ol><li>Онлайн-этап соревнования:<ul><li>В рамках онлайн-этапа соревнования участники отправляют свои решения и улучшают свой результат на public-лидерборде.&nbsp;</li><li>В конце онлайн формата участники выбирают свои финальные решения, а на их основе формируется итоговый private-лидерборд.</li><li>Топ-15 команд с private-лидерборда переходят на следующий этап.</li></ul></li><li>Этап определения финалистов:&nbsp;<ul><li>Жюри запрашивает у команд, вошедших в топ-15 приватного рейтинга, исходные репозитории решений для проведения проверки.</li><li>Представленные командами репозитории проверяются на соответствие установленным правилам.</li><li>По результатам проверки жюри определяет и утверждает 5 команд-финалистов.</li><li>Если репозитории всех команд, занявших первые 5 мест в приватном рейтинге, соответствуют правилам, эти команды проходят в финальный этап. В случае дисквалификации одной или нескольких команд их места переходят следующим командам в порядке приватного рейтинга при условии успешного прохождения проверки.</li></ul></li><li>Финальный этап и определение призеров:&nbsp;<ul><li>Команды-финалисты приглашаются для участия в питч-сессии очно в Москве и онлайн.</li><li>Команда должна будет презентовать свое решение и ее репозиторий перед жюри.</li><li>На основе презентаций жюри утверждает 3 команды победителей.</li><li>Награждение победителей пройдёт на конференции E-CODE.</li></ul></li></ol>

Участникам необходимо решить задачу идентификации одинаковых товаров на основе текстовой информации из их карточек.

Public

Данные

Agreement_services

<p>Я согласен(-на) с <a href="https://storage.yandexcloud.net/ds-ods/files/data/docs/odsaifooter/20250312_Service_agreement_ODSai.pdf">Соглашением об услугах</a>. Обработка персональных данных Участников Активностей производится на основании Соглашения об услугах).</p>

Rules

<p>Нажимая &quot;Отправить&quot; я соглашаюсь с условиями <a href="https://storage.yandexcloud.net/ds-ods/files/data/docs/competitions/E-CUP-2026/E-CUP-2026-Rules.pdf">Правил проведения онлайн-соревнования&nbsp;</a></p>

<p>Благодарим за интерес к серии соревнований&nbsp;E-CUP 2026</p>

<p>Заполните, пожалуйста, форму ниже.&nbsp;</p>

<p>Поля и согласия, отмеченные&nbsp; (*) - обязательные.</p>

last_name

Last name

first_name

First name

middle_name

Middle name

date_birth

Date of birth (format: 25.01.2000)

phone

Phone

email

Email

tg_name

Your telegram nickname

city

City (lat)

study_place2

Company/study place name

work_position

Work position

CV link

Experience

Experience in DC

referral

How did you know about the competition?

Registration application for E-CUP 2026

E-CUP 2026. Задача 1: Матчинг товаров

Predictions

Radiance

FatBoost

Daniil Stepanov

Я РЫБОЛОВ ТЫ МОЙ УЛОВ

Roma Bazuka

uralmash mentality

дружная команда

lazy67

ELABS

455 база ответьте

MNOGO DGT

TREN_FORCE

IGF_ONLY

oa5914c678088

Олеговичи Ивановичи

Andrey Kuznetsov

YOUNGPROMPT1337

Филин Матвей Викторович

Ecom амбассадоры гигачат

Perpetual Motion Squad

Artem Khimin

CaPiTaN TvImSa

ICEQ

не пустили в клуб клуб

antontsd

PEDRO CHILL

ribalka na zhivca

шеф

Tagir Analyzes

h715a8c2a395e

Flex

xxxbar19

guala

запредельный йухан

Вайбкодеры ИТМО

Owl Prime

e45aebc17d00a

6quad 7even

представитель группы лес

Danil Kuznetsov

Фича

nff83c496ec81

Игорь Борисов

нью-йорк x MISIS

zff2cd6ec9964

YOLO

de38af20f9429

Mean PR-AUC

#	Teams (154)	Mean PR-AUC	Last	Entries
1	Radiance	0.5603787696	27h	67
2	FatBoost	0.5539900397	10h	43
3	-	0.5497116226	8h	38
4	Daniil Stepanov	0.5480056269	9h	84
5	Я РЫБОЛОВ ТЫ МОЙ УЛОВ	0.5424532396	7h	65
6	Roma Bazuka	0.5420725176	7h	42
7	uralmash mentality	0.5414129346	11h	69
8	дружная команда	0.5388662312	8h	51
9	lazy67	0.538805449	8h	28
10	ELABS	0.5353308626	21h	16
11	455 база ответьте	0.5349234887	7h	16
12	MNOGO DGT	0.5288141577	9h	5
13	TREN_FORCE	0.5271915909	13h	13
14	IGF_ONLY	0.5267619031	13h	19
15	oa5914c678088	0.5259256928	8h	9
16	Олеговичи Ивановичи	0.5257830463	42h	41
17	Andrey Kuznetsov	0.5257780886	9h	37
18	YOUNGPROMPT1337	0.5256939975	21h	49
19	Филин Матвей Викторович	0.525536083	14h	13
20	Ecom амбассадоры гигачат	0.5218171976	9d	20
21	Perpetual Motion Squad	0.5189941706	8h	11
22	Artem Khimin	0.5186093231	8h	51
23	CaPiTaN TvImSa	0.5156887292	9h	13
24	ICEQ	0.5142534208	3d	12
25	не пустили в клуб клуб	0.5111610166	14h	23
26	antontsd	0.5111270121	17h	32
27	PEDRO CHILL	0.5096624719	5d	22
28	ribalka na zhivca	0.5095247122	7h	19
29	шеф	0.5093050006	6d	21
30	Tagir Analyzes	0.5073767961	18h	37
31	h715a8c2a395e	0.5060286244	3d	4
32	Flex	0.505629576	13h	8
33	xxxbar19	0.5053257638	6d	21
34	M G	0.5044528174	5d	3
35	guala	0.5035465083	2d	26
36	C2W	0.4993476956	5d	8
37	запредельный йухан	0.4966407474	12d	3
38	Вайбкодеры ИТМО	0.4960272359	8h	43
39	Owl Prime	0.4953252045	17d	14
40	e45aebc17d00a	0.4953120645	6d	9
41	6quad 7even	0.494155375	7d	42
42	представитель группы лес	0.4939670989	9d	31
43	Danil Kuznetsov	0.4874706786	3d	5
44	Фича	0.4861714267	8h	29
45	nff83c496ec81	0.4861714267	19h	2
46	Игорь Борисов	0.4853374993	3d	24
47	нью-йорк x MISIS	0.4853343198	8h	17
48	zff2cd6ec9964	0.4823883685	2d	9
49	YOLO	0.4816630158	10d	6
50	de38af20f9429	0.481512142	5d	7