kaggle-quora-问题对 我对（排名前2％，私人LB对数损失0.13497）。 总览 该解决方案结合了纯统计功能，经典NLP功能和深度学习。 将近200种手工制作的特征与来自具有不同架构的4个神经网络的失意预测相结合。 最终模型是GBM（LightGBM），使用分层的K折交叉验证对它进行了早期停止训练并且学习率非常低。 复制解决方案 硬件要求 几乎所有代码（某些第三方脚本除外）都可以有效利用多核计算机。 同时，其中一些可能需要大量内存。 所有代码均已在具有64 GB RAM的计算机上进