美文网首页
零基础入门NLP赛事 - Task1 赛题理解

零基础入门NLP赛事 - Task1 赛题理解

作者: 顾子豪 | 来源:发表于2020-07-22 11:51 被阅读0次

    赛题理解

    • 赛题名称:零基础入门NLP之新闻文本分类
    • 赛题目标:通过这道赛题可以引导大家走入自然语言处理的世界,带大家接触NLP的预处理、模型构建和模型训练等知识点。
    • 赛题任务:赛题以自然语言处理为背景,要求选手对新闻文本进行分类,这是一个典型的字符识别问题。

    学习目标

    • 理解赛题背景与赛题数据
    • 完成赛题报名和数据下载,理解赛题的解题思路

    赛题数据

    赛题以匿名处理后的新闻数据为赛题数据,数据集报名后可见并可下载。赛题数据为新闻文本,并按照字符级别进行匿名处理。整合划分出14个候选分类类别:财经、彩票、房产、股票、家居、教育、科技、社会、时尚、时政、体育、星座、游戏、娱乐的文本数据。

    赛题数据由以下几个部分构成:训练集20w条样本,测试集A包括5w条样本,测试集B包括5w条样本。为了预防选手人工标注测试集的情况,我们将比赛数据的文本按照字符级别进行了匿名处理。

    数据标签

    处理后的赛题训练数据如下:

    训练数据

    在数据集中标签的对应的关系如下:{'科技': 0, '股票': 1, '体育': 2, '娱乐': 3, '时政': 4, '社会': 5, '教育': 6, '财经': 7, '家居': 8, '游戏': 9, '房产': 10, '时尚': 11, '彩票': 12, '星座': 13}

    评测指标

    评价标准为类别f1_score的均值,选手提交结果与实际测试集的类别进行对比,结果越大越好。

    数据读取

    使用Pandas库完成数据读取操作,并对赛题数据进行分析。

    解题思路

    赛题思路分析:赛题本质是一个文本分类问题,需要根据每句的字符进行分类。但赛题给出的数据是匿名化的,不能直接使用中文分词等操作,这个是赛题的难点。

    因此本次赛题的难点是需要对匿名字符进行建模,进而完成文本分类的过程。由于文本数据是一种典型的非结构化数据,因此可能涉及到特征提取分类模型两个部分。为了减低参赛难度,我们提供了一些解题思路供大家参考:

    • 思路1:TF-IDF + 机器学习分类器

    直接使用TF-IDF对文本提取特征,并使用分类器进行分类。在分类器的选择上,可以使用SVM、LR、或者XGBoost。

    • 思路2:FastText

    FastText是入门款的词向量,利用Facebook提供的FastText工具,可以快速构建出分类器。

    • 思路3:WordVec + 深度学习分类器

    WordVec是进阶款的词向量,并通过构建深度学习分类完成分类。深度学习分类的网络结构可以选择TextCNN、TextRNN或者BiLSTM。

    • 思路4:Bert词向量

    Bert是高配款的词向量,具有强大的建模学习能力。

    相关文章

      网友评论

          本文标题:零基础入门NLP赛事 - Task1 赛题理解

          本文链接:https://www.haomeiwen.com/subject/ukuzkktx.html