Description du projet

Le défi

L'objectif de ce défi est la classification à grande échelle des données de produits multimodales (texte et image) en type de produits.

Il existe d'autres produits avec des titres différents, des images différentes et éventuellement des descriptions, qui appartiennent au même code de type de produit.

En utilisant ces informations sur les produits, comme l'exemple ci-dessus, ce défi propose de modéliser un classificateur pour classer les produits dans leur code de type de produit correspondant.

Introduction

• La catégorisation des annonces de produits se fait par le biais de la désignation, de la description (quand elle est présente) et des images.
  
• Les fichiers de données sont distribués ainsi :
  
  
• - Une partie contenant les données textuelles
  
• X_train_update.csv : fichier d'entrée d'entraînement (84916 produits)
• Y_train_CVw08PX.csv : fichier de sortie d'entraînement
• X_test_update.csv : fichier d'entrée de test
• - Une partie contenant les images
  
  • Un fichier images.zip est fourni, les contenant toutes.
  • La décompression de ce fichier fournira un dossier nommé "images" avec deux sous-dossiers nommés "image_training" et "image_test", contenant respectivement les images d'entraînement et de test.
  
  Pour notre part, ne participant pas au challenge Rakuten, nous n’aurons pas accès au fichier de sortie de test.
  Le fichier d’entrée de test est donc inutilisable.

Descriptions des fichiers:

• X_train_update.csv : fichier d'entrée d'entraînement
  La première ligne du fichier d'entrée contient l'en-tête et les colonnes sont séparées.
  par des virgules (",").
  Les colonnes sont les suivantes :
  
  
• • Un identifiant entier pour le produit. Cet identifiant est utilisé pour associer le produit à son code de produit correspondant.
  • Désignation - Le titre du produit, un court texte résumant le produit
  • Description - Un texte plus détaillé décrivant le produit. Tous les marchands n'utilisent pas ce champ, il se peut donc que le champ de description contienne la valeur NaN pour de nombreux produits, afin de conserver l'originalité des données.
  • productid - Un identifiant unique pour le produit.
  • imageid - Un identifiant unique pour l'image associée au produit.
  
  
  • Les champs imageid et productid sont utilisés pour récupérer les images dans le dossier d'images correspondant. Pour un produit donné, le nom du fichier image est : image_imageid_product_productid.jpg ex : image_1263597046_product_3804725264.jpg

	designation	description	productid	imageid
0	Olivia: Personalisiertes Notizbuch / 150 Seiten / Punktraster / Ca Din A5 / Rosen-Design	NaN	3804725264	1263597046
1	Journal Des Arts (Le) N° 133 Du 28/09/2001 - L'art Et Son Marche Salon D'art Asiatique A Paris - Jacques Barrere - Francois Perrier - La Reforme Des Ventes Aux Encheres Publiques - Le Sna Fete Ses Cent Ans.	NaN	436067568	1008141237
2	Grand Stylet Ergonomique Bleu Gamepad Nintendo Wii U - Speedlink Pilot Style	PILOT STYLE Touch Pen de marque Speedlink est 1 stylet ergonomique pour GamePad Nintendo Wii U. Pour un confort optimal et une précision maximale sur le GamePad de la Wii U: ce grand stylet hautement ergonomique est non seulement parfaitement adapté à votre main mais aussi très élégant. Il est livré avec un support qui se fixe sans adhésif à l'arrière du GamePad. Caractéristiques: Modèle: Speedlink PILOT STYLE Touch Pen. Couleur: Bleu. Ref. Fabricant: SL-3468-BE. Compatibilité: GamePad Nintendo Wii U. Forme particulièrement ergonomique excellente tenue en main. Pointe à revêtement longue durée conçue pour ne pas abîmer l'écran tactile. En bonus : Support inclu pour GamePad.	201115110	938777978
3	Peluche Donald - Europe - Disneyland 2000 (Marionnette À Doigt)	NaN	50418756	457047496
4	La Guerre Des Tuques	Luc a des idées de grandeur. Il veut organiser un jeu de guerre de boules de neige et s'arranger pour en être le vainqueur incontesté. Mais Sophie s'en mèle et chambarde tous ses plans...	278535884	1077757786

• X_train_CVw08PX.csv : fichier de sortie d'entraînement
  La première ligne du fichier d'entrée contient l'en-tête et les colonnes sont séparées par des virgules (",").
  Les colonnes sont les suivantes :
  
  
• Un identifiant entier pour le produit. Cet identifiant est utilisé pour associer le produit à son code de produit correspondant.
• prdtypecode - Catégorie dans laquelle le produit est classé
• 
  
• La liaison entre les fichiers se fait par une jointure sur l'identifiant entier présent sur les deux fichiers.
• 
  

• 	prdtypecode
  0	10
  1	2280
  2	50
  3	1280
  4	2705

• 
  
• Proposition de nomenclature des prttypecode
• 
  

• 	definition
  prdtypecode
  10	livres
  40	jeux video pour pc et consoles
  50	accesoires jeux video
  60	consoles de jeux video
  1140	produits derives “geeks” et figurines
  1160	cartes collectionables
  1180	figurines collectionables pour jeux de societe
  1280	jouets, peluches, poupees
  1281	jeux de societe/cartes
  1300	Petites voitures (jouets) et maquettes
  1301	accesoires pour petis enfants/bebes et mobilier de jeu (flechettes, billard, babyfoot)
  1302	jeux d'exterieur
  1320	sacs pour femmes et accesore petite enfance
  1560	Mobilier et produits decoration/rangement pour la maison
  1920	linge de maison (cousins, rideaux, serviettes, nappes, draps)
  1940	nouriture (cafes,infusions,conserves, epices,etc)
  2060	lampes et accesoires decoration pour maison
  2220	accesoires mascots/pets
  2280	magazines
  2403	livres et bds
  2462	consoles de jeux video et jeux videos
  2522	produits de papeterie et rangement bureau
  2582	mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)
  2583	accesoires de piscine
  2585	outillage et accesoires pour jardinage
  2705	bds et livres
  2905	Jeu en téléchargement

• 
  
• Distribution des codes de types de produits
• 
  
•