赛题解析

赛题一： 知识驱动口语对话

当前生成式对话技术存在回复无意义、信息量少等问题，因此希望对话系统能充分利用外部知识，生成更有意义、内容更丰富的回复。知识涉及多个领域，各领域的样本量并不一定均衡；并且有时需要对图谱知识进行复杂的查询或推理，才能得到问题的答案。此外，现实的对话往往有口语化表达和ASR识别错误等问题，因此希望对话模型鲁棒性更强，能够容忍口语表述不规范、不精确以及ASR中的词法或语法错误问题，并生成正确的标准的回复。

赛题二：车道渲染数据智能质检

在地图业务中，导航过程中所看到的背景道路界面是基于地图数据渲染生成。渲染过程中，部分数据会存在不同程度的问题，导致该部分数据渲染生成的道路存在缺陷，诸如缺边少角，异形道路等。为了更高效的检测这部分数据，降低人工成本，质检模型需要达到更高的准确度。根据问题数据所具有的共同模式建模，提高模型精度是降低成本的关键。希望通过本次比赛，挖掘计算机视觉方向人才，推动该领域发展。

赛题三: 广告-信息流跨域ctr预估

广告推荐主要基于用户对广告的历史曝光、点击等行为进行建模，如果只是使用广告域数据，用户行为数据稀疏，行为类型相对单一。而引入同一媒体的跨域数据，可以获得同一广告用户在其他域的行为数据，深度挖掘用户兴趣，丰富用户行为特征。引入其他媒体的广告用户行为数据，也能丰富用户和广告特征。

本赛题希望选手基于广告日志数据，用户基本信息和跨域数据优化广告ctr预估准确率。目标域为广告域，源域为信息流推荐域，通过获取用户在信息流域中曝光、点击信息流等行为数据，进行用户兴趣建模，帮助广告域ctr的精准预估。

各赛题评分指标

赛题一（知识驱动口语对话）

对每支队伍的各个自动指标计算加权得分，根据分数筛选top15队伍。评审人员对top15模型进行人工评审，决出top7队伍，最终比赛排名以人工评审为准。

赛题二（车道渲染数据智能质检）

选手根据测试集图片，预测图片是否存在问题(无需给出具体问题类别)。比赛使用AUC(Area Under Curve)作为评价指标，AUC 越高，代表结果越优，排名越靠前。

赛题三（广告-信息流跨域ctr预估）本次比赛使用GAUC和AUC的加权求和作为评估指标。xAUC越高，代表结果越优，排名越靠前。

评选规则

参赛队伍需按要求提交赛题答案。大赛采用自动化评分和专家审核的方式评选入围队伍。

三大赛题共选拔21支队伍入围精英赛。如某支队伍审核不通过（如作弊等），由该支队伍后面的队伍顺序递补。