# 一、任务说明 本竞赛围绕电商场景下的商品多类别分类展开。在典型电商或零售业务中，平台需要处理数百万件商品，合理的商品类别标注有助于实现高质量的搜索与推荐。本题要求参赛者构建一个机器学习模型，综合利用商品的图像信息和简短文本描述，预测其所属类别。 标签为 21 个商品类别，已被整数编码为 0–20。 --- # 二、参赛资格 本竞赛为《2025 研究生机器学习》课程大作业的一部分，仅面向本课程已选课学生及教学团队指定的参与者，不对外公开。 - 每位同学仅允许使用 **一个 Kaggle 账号** 参赛，不得代他人提交或使用多个账号刷榜。 --- # 三、数据集与使用规范 ## 3.1 数据文件 根据 PPT 中的说明，本题提供以下文件与资源： ### 1. `train.csv`：训练集 - 包含每个商品的图像信息（如图像 id）及类别标签； - 商品类别共 21 类，已编码为整数 0–20。 ### 2. `train_images/`：训练集图像文件夹 - 存放训练集中所有商品图片； - 每张图片的文件名即为对应商品的图像 id（可与 `train.csv` 中的字段匹配）。 ### 3. `test.csv`：测试集 - 包含测试集中每个商品的图像信息及简要文本描述，不含类别标签； - 测试集类别分布与训练集保持一致（覆盖同样的 21 类）。 ### 4. `test_images/`：测试集图像文件夹 - 存放测试集中所有商品图片，文件名同样为图像 id。 ### 5. `sample_submission.csv` / `submission.csv`：示例提交文件 至少包含两列： ```csv id,categories B00004TZR1,0 ``` 其中： - `id`：商品的唯一标识（例如图像 id）； - `categories`：模型预测的商品类别，取值须为整数 0–20 之一。 ## 3.2 外部数据与预训练模型使用 - 允许使用公开的、与本题数据无直接标签泄露关系的外部资源（如 ImageNet 预训练视觉模型、通用预训练文本模型等），以提升特征表达能力。 - 严禁使用含有本题相同图像及其真实类别标签的外部数据集进行“查表式”训练或匹配。 - 不允许通过人工标注的方式为测试集补充标签或构造“伪标签”后再参与评测。 - 如使用外部数据或预训练模型，需在课程的实验报告中详细说明其来源、处理方式及对模型的影响。 --- # 四、提交格式与次数 提交文件须命名为 `submission.csv`，并满足以下要求： - 必须包含 `id` 列，与 `test.csv` 中的商品 id 一一对应； - 必须包含 `categories` 列，为预测的类别标签； - `categories` 的取值必须是整数编码 0–20 中的一个值。 每日提交次数上限以及总提交次数限制，以 Kaggle 竞赛页面设置为准；超过限制的提交将不会被计入排行榜。 请务必在课程规定的最终截止时间前完成提交。截止时间之后的新提交将不计入课程成绩（具体时间以教学团队公告为准）。 --- # 五、评测与排行榜 ## 5.1 官方评测指标：分类准确率（Accuracy） 本竞赛采用 **分类准确率（Accuracy）** 作为唯一官方评测指标。 设测试集中共有 \(N\) 个商品样本，第 \(i\) 个样本的真实类别为 \(y_i\)，参赛者提交的预测类别为 \(\hat{y}_i\)，则准确率定义为： \[ \text{Accuracy} = \frac{1}{N} \sum_{i=1}^{N} \mathbf{1}(\hat{y}_i = y_i) \] 其中 \(\mathbf{1}(\cdot)\) 为指示函数，当预测与真实类别一致时取值为 1，否则为 0。 直观上，Accuracy 越高，说明分类正确的样本比例越大，模型性能越好。 ## 5.2 排行榜说明 - Kaggle 会基于隐藏测试集标签计算每次提交的 Accuracy，并据此生成排行榜。 - 课程成绩与排行榜之间的具体映射关系（如占比、折算方式等），以教学团队后续公布为准。 --- # 六、团队与合作规则 本竞赛默认团队参赛，每个团队仅允许一个账号参加竞赛： - 禁止不同团队之间共享完整代码、模型权重或提交文件。 - 鼓励同学之间进行高层次的学术交流，例如： - 讨论特征工程思路（如如何融合图像与文本特征）； - 讨论模型选择、验证策略、调参方法等。 严禁以下行为： - 直接复制他人训练脚本、完整 Notebook 或提交文件； - 代为训练模型、代为生成结果、代为在 Kaggle 上提交； - 未经明确允许，将不同同学/团队的预测结果简单融合后作为单独参赛结果提交。 如发现不同提交之间代码或结果存在异常高度相似，经核实属于抄袭或不当合作，将按学术诚信规定严肃处理。 --- # 七、代码与复现要求 参赛者需妥善保存完整的实验代码、环境配置说明（如依赖库版本）、关键超参数设置及训练脚本。 对于用来生成最终成绩的模型，应在课程要求的实验报告中说明： - 输入特征设计（是否使用图像、文本及其融合方式）； - 模型结构（如 CNN、ResNet、ViT、文本编码器、融合模块等）； - 执行流程（损失函数、优化器、学习率、训练轮数、数据增强策略等）； - 外部数据或预训练模型的使用情况（如有）。 教学团队有权对部分参赛者进行抽查，要求在指定环境中复现接近的成绩；若无法复现或差异异常，主办方可对相关成绩进行调整或作废。 --- # 八、学术诚信与违规处理 所有参赛者必须严格遵守学校及学院的学术诚信相关规定。 严禁的违规行为包括但不限于： - 抄袭他人代码、提交文件或实验结果； - 使用多个账号刷榜、代他人提交或委托他人参赛； - 非法获取、猜测或利用测试集真实标签； - 捏造数据、篡改评测流程或任何试图操纵排行榜的行为。 一经发现严重违规行为，主办方有权： - 取消违规学生/团队在本竞赛中的全部成绩； - 将情况上报学院，按学校相关规定予以处理。 --- # 九、其他 本规则未尽事宜，由课程教学团队与竞赛主办方负责解释与补充。 如竞赛期间规则有修订或补充，以课程平台和 Kaggle 竞赛页面上的最新公告为准。