天池NLP学习赛(1)赛题理解
题目
题目类型:新闻文本分类(字符识别问题)链接
数据:
赛题数据为新闻文本,并按照字符级别进行匿名处理,数字编码形式呈现。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。
评价标准:f1_score均值
baseline
1.做了简单EDA,词条的描述性统计
2.用CNN做了初步的分类(可以考虑调节网络、调节参数)
思路
(其实我啥也不会CNN填充完直接卷不香吗…但官网这么说了ORZ)
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和分类模型两个部分。
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。
既然官网上这么说了就要学习的内容:
词向量&文本特征咋整
学习TF-IDF/FastText/WordVec/Bert