版权声明:本文为博主原创文章,未经博主允许不得转载。
一、赛题网址
二、赛题任务
达观数据提供了一批长文本数据和分类信息,结合当下最先进的NLP和人工智能技术,深入分析文本内在结构和语义信息,构建文本分类模型,实现精准分类。
三、数据集下载
https://pan.baidu.com/s/13IMDPMz0rf8kM1JAea53uQ
password: y6m4
四、数据集介绍
train_set.csv
此数据集用于训练模型,每一行对应一篇文章。文章分别在“字”和“词”的级别上做了脱敏处理。共有四列: 第一列是文章的索引(id),第二列是文章正文在“字”级别上的表示,即字符相隔正文(article);第三列是在“词”级别上的表示,即词语相隔正文(word_seg);第四列是这篇文章的标注(class)。 注:每一个数字对应一个“字”,或“词”,或“标点符号”。“字”的编号与“词”的编号是独立的!
test_set.csv
此数据用于测试。数据格式同train_set.csv,但不包含class。 注:test_set与train_test中文章id的编号是独立的。 友情提示:请不要尝试用excel打开这些文件!由于一篇文章太长,excel可能无法完整地读入某一行!
五、数据集处理
NLP数据处理:① 词频 ② 词前后关系
六、评分标准
采用各个品类F1指标的算术平均值,它是Precision 和 Recall 的调和平均数。