Подробное описание данных

EDA notebook с графиками и статистиками по данным.
В представленном датасете собраны данные по пользователям и объектам (сериалы/фильмы), а также по их взаимодействиям (просмотр контента пользователем) из онлайн-кинотеатра Kion. Данные по просмотру контента собраны за ~6 месяцев, с 2021-03-13 по 2021-08-22  включительно, и разбавлены случайным шумом. ID пользователей и контента анонимизированы.

Статистика по датасету:

• 840к пользователей
• 16к объектов
• 5.5кк взаимодействий

users.csv

В данном файле содержится информация о пользователях:

• user_id - ID пользователя
• age - возрастная группа пользователя, строка вида "M_N"
  • данный признак - результат работы модели
  • 18_24 - от 18 до 24 лет включительно
  • 25_34 - от 25 до 34 лет включительно
  • 35_44 - от 35 до 44 лет включительно
  • 45_54 - от 45 до 54 лет включительно
  • 55_64 - от 55 до 64 лет включительно
  • 65_inf - от 65 и старше
• sex - пол пользователя
  • данный признак - результат работы модели
  • М - мужчина
  • Ж - женщина
• income - доход пользователя, строка вида "M_N"
  • данный признак - результат работы модели
  • income_0_20
  • income_20_40
  • income_40_60
  • income_60_90  
  • income_90_150
  • income_150_inf
• kids_flg - флаг "наличие ребенка"
  • данный признак - результат работы модели

*Для определения значений признаков дохода и возраста использовалась другая модель.

items.csv

В данном файле содержится информация об объектах (фильмы/сериалы):

• item_id - ID контента
• content_type - Тип контента (фильм, сериал)
• title - Название на русском
• title_orig - Название оригинальное
• genres - Жанры из источника (онлайн-кинотеатры)
• countries - страны
• for_kids - флаг "контент для детей"
• age_rating - возрастной рейтинг
• studios - студии
• directors - директора
• actors - актеры
• keywords - ключевые слова
• description - описание

interactions.csv

В данном файле содержится информация о взаимодействиях пользователей с контентом:

• user_id - ID пользователя
• item_id - ID контента
• last_watch_dt - Дата последнего просмотра
• total_dur - Общая продолжительность всех просмотров данного контента в секундах
• content_type - Тип контента (фильм, сериал)

Из чего состоит тестовая выборка?

На платформе соревнования хранится тестовая выборка с реальными данными (пользователями и контентом, которые они смотрели за 7 дней, идущими после дат из трейна. Часть тестовой выборки выделена для public лидерборда, часть для private.
Выборки разделены случайно, пополам, по юзерам.
Данные скрыты. Платформа посчитает метрику качества вашего предсказания: насколько оно совпадает с реальными данными. Результат расчета вы увидите на лидерборде.