零基础入门NLP - Task1 赛题理解

Task1 赛题理解

• 赛题名称: 零基础入门NLP之新闻文本分类
• 赛题内容:
  赛题以自然语言处理为背景，要求选手根据新闻文本字符对新闻的类别进行分类，这是一个经典文本分类问题。
• 赛题数据:
  赛题数据为新闻文本，并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。
  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。

数据集

下载数据集为：NLP_data_list_0715.csv

数据标签

在数据集中标签的对应的关系如下：{‘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}

数据读取

利用pandas进行数读取操作，并对赛题数据进行分析

import	pandas as pd
nlp_data = pd.read_csv(r'./NLP_data_list_0715.csv')

评测指标

平均标准为类别f1_score的均值，提交结果与实际测试集进行对比，结果越大越好。(未理解，探索中)

解题思路

• 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。
• 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。