本文介绍了一个新闻文本分类的赛题，数据包括训练集和测试集，涉及的NLP技术包括动态增删词、停用词处理、分词（如jieba和NLTK），以及多种分类思路如TF-IDF、FastText、WordVec和Bert。评价标准为类别f1_score的均值，探讨了文本挖掘的基本流程和应用。
1、赛题题目：新闻文本分类
赛题以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。
2、赛题数据背景：
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。
3、评价标准：
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。
4、天池上的思路：
- 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
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
