kaggle:Quora Insincere Questions Classification

问题描述：

今天任何一个主要网站的存在问题是如何处理有毒（toxic）和分裂（divisive）的内容。 Quora希望正面（head-on）解决（tackle）这个问题，让他们的平台成为用户可以安全地与世界分享知识的地方。

Quora是一个让人们相互学习的平台。 在Quora上，人们可以提出问题，并与提供独特见解和质量回答（unique insights and quality answers）的其他人联系。 一个关键的挑战是淘汰（weed out）虚假的问题 - 那些建立在虚假前提（false premises）下的问题，或者打算发表声明而不是寻求有用答案的问题。

在本次比赛中，Kagglers将开发识别和标记虚假问题（flag insincere questions）的模型。 到目前为止（To date），Quora已经使用机器学习和人工审查（manual review）来解决这个问题（address this problem）。 在您的帮助下，他们可以开发更具可扩展性的方法（develop more scalable methods）来检测有毒和误导性内容（detect toxic and misleading content）。

这是你大规模对抗在线巨魔（combat online trolls at scale）的机会。 帮助Quora坚持（uphold）“善良，尊重”（Be Nice, Be Respectful）的政策，继续成为分享和发展世界知识的地方。

Important Note：（注意）
请注意，这是作为a Kernels Only Competition运行，要求所有submissions都通过Kernel output进行。 请仔细阅读内核常见问题解答和数据页面，以充分了解其设计方法。

Data Description（数据描述）

在本次比赛中，您将预测Quora上提出的问题是否真诚（sincere）。

一个虚伪的（insincere）问题被定义为一个旨在发表声明而不是寻找有用答案的问题。 一些可以表明问题虚伪（insincere）的特征：

• 具有非中性语气（Has a non-neutral tone）
  - 夸张的语气（exaggerated tone）强调了一群人的观点
  - 是修辞（rhetorical）的，意味着暗示（meant to imply）关于一群人的陈述
• 是贬低（disparaging）或煽动性的（inflammatory）
  - 建议针对受保护阶层的人提出歧视性（discriminatory）观点，或寻求确认陈规定型观念（confirmation of a stereotype）
  - 对特定的人或一群人进行贬低（disparaging）的攻击/侮辱（attacks/insults）
  - 基于关于一群人的古怪前提（outlandish premise）
  - 贬低（Disparages）不可修复（fixable）且无法衡量（measurable）的特征
• 不是基于现实（Isn’t grounded in reality）
  - 基于虚假信息（false information），或包含荒谬的假设（absurd assumptions）
• 使用性内容（乱伦incest，兽交bestiality，恋童癖pedophilia）来获得震撼价值，而不是寻求真正的（genuine）答案

训练数据包括被询问的问题（question that was asked），以及是否被识别为真诚的（insincere）（target=1）。真实 （ground-truth）标签包含一些噪音：它们不能保证是完美的。

请注意，数据集中问题的分布不应被视为代表Quora上提出的问题的分布。 部分原因是由于采样程序和已应用于最终数据集的消毒（sanitization）措施的组合。

Data fields（数据域描述）

• qid - 唯一的问题标识符
• question_text - Quora问题文本
• target - 标记为“insincere”的问题的值为1，否则为0

这是仅限内核的比赛（Kernels-only competition）。 此数据部分中的文件可供下载，以便在阶段1中参考。阶段2文件仅在内核中可用且无法下载。

比赛的第二阶段会有什么？

在比赛的第二阶段，我们将重新运行您选择的内核。 以下文件将与新数据交换：

• test.csv - 这将与完整的公共和私有测试数据集交换。 该文件在阶段1中具有_{56k行，在阶段2中具有}376k行。两个版本的公共页首数据保持相同。 文件名将相同（均为test.csv）以确保您的代码将运行。
• sample_submission.csv - 类似于test.csv，这将从第1阶段的_{56k变为第2阶段的}376k行。 文件名将保持不变。

Embeddings

本次比赛不允许使用外部数据源。 但是，我们提供了许多字嵌入以及可以在模型中使用的数据集。 这些如下：

• GoogleNews-vectors-negative300 - https://code.google.com/archive/p/word2vec/
• glove.840B.300d - https://nlp.stanford.edu/projects/glove/
• paragram_300_sl999 -