Datawhale零基础入门NLP——新闻文本分类（一）熟悉赛题（天池比赛）

Datawhale零基础入门NLP——新闻文本分类（一）熟悉赛题（天池比赛）

一、赛题背景

这次是第三场赛事，赛事名称为零基础入门NLP之新闻文本分类挑战赛。

• 背景：自然语言处理
• 目的：根据新闻文本字符对新闻的类别分类
• 目标：接触预处理、模型构建和模型训练等知识点

二、赛制说明

本次赛事分为两个阶段：

• 正式赛（7.15-9.8）：这是我们主要参赛的时间段。
  • 天池下载数据，本地调试算法，在线提交结果
  • 每天两次评测机会，实时评测
  • 排行榜每小时更新（┗|｀O′|┛ ）
  • 从高到低排序
  • 没有最终排序，显示最优成绩
• 长期赛（9.14后）：目前暂时没有计划参加

三、赛题数据

赛题类别

新闻数据

数据下载链接
https://tianchi.aliyun.com/competition/entrance/531810/information

数据文档

一共分为三个数据集，分别为：

• 测试集：20w
• 训练集A：5w
• 样本B：5w

赛题数据格式：

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。

数据集对应关系如下：

{‘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}

注：数据列使用\t进行分割，Pandas读取数据的代码如下：

train_df = pd.read_csv('../input/train_set.csv', sep='\t')

四、 评测标准

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。

可以通过sklearn完成f1_score计算：

from sklearn.metrics import f1_score
y_true = [0, 1, 2, 0, 1, 2]
y_pred = [0, 2, 1, 0, 0, 1]
f1_score(y_true, y_pred, average='macro')

五、结果提交

需要按照sample_submit.csv进行，保证提交的是csv文件。

六、 专题学习资料

提供包括数据科学库、Baseline方案、从0到1打比赛等学习资料。

七、解题思路

思路分析
针对文本分类为题，需根据每句字符分类，经过下载和分析赛题数据，全都是阿拉伯数据，因此没有办法用中文分词等操作。

数据特征：非结构化数据

可能流程：

• 特征提取
• 分类模型

大赛提供的参考思路

• 思路1： TF-IDF+机器学习分类器
• 思路2：FastText
• 思路3：WordVec+深度学习分类器
• 思路4： Bert词向量
  ​