fork from Datawhale零基础入门NLP赛事 - Task1 赛题理解

本章将会对新闻文本分类进行赛题讲解，对赛题数据进行说明，并给出解题思路。

赛题理解

• 赛题名称：零基础入门NLP之新闻文本分类
• 赛题目标：通过这道赛题可以引导大家走入自然语言处理的世界，带大家接触NLP的预处理、模型构建和模型训练等知识点。
• 赛题任务：赛题以自然语言处理为背景，要求选手对新闻文本进行分类，这是一个典型的字符识别问题。

学习目标

• 理解赛题背景与赛题数据
• 完成赛题报名和数据下载，理解赛题的解题思路

赛题数据

赛题以匿名处理后的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。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。

数据标签

处理后的赛题训练数据如下：

数据下载及导入

数据集在比赛报名后下载，下载的数据是CSV格式的地址文件NLP_data_list_0715.csv，读入文件

import pandas as pd

data = pd.read_csv('NLP_data_list_0715.csv',encoding='gbk')

data.head()

	file	description	size	link
0	train_set.csv.zip	训练集数据（选手需要自行解压）	236.11MB	https://tianchi-competition.oss-cn-hangzhou.al...
1	test_a.csv.zip	测试集A榜数据（选手需要自行解压）	59.12MB	https://tianchi-competition.oss-cn-hangzhou.al...
2	test_a_sample_submit.csv	测试集A榜提交样例	97.66KB	https://tianchi-competition.oss-cn-hangzhou.al...

data.link.tolist()

['https://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531810/train_set.csv.zip',
 'https://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531810/test_a.csv.zip',
 'https://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531810/test_a_sample_submit.csv']

下载并解压数据集

train = pd.read_csv('train_set.csv',sep='\t')
test = pd.read_csv('test_a.csv',sep='\t')
sample = pd.read_csv('test_a_sample_submit.csv',sep='\t')

train.head()

	label	text
0	2	2967 6758 339 2021 1854 3731 4109 3792 4149 15...
1	11	4464 486 6352 5619 2465 4802 1452 3137 5778 54...
2	3	7346 4068 5074 3747 5681 6093 1777 2226 7354 6...
3	2	7159 948 4866 2109 5520 2490 211 3956 5520 549...
4	3	3646 3055 3055 2490 4659 6065 3370 5814 2465 5...

test.head()

	text
0	5399 3117 1070 4321 4568 2621 5466 3772 4516 2...
1	2491 4109 1757 7539 648 3695 3038 4490 23 7019...
2	2673 5076 6835 2835 5948 5677 3247 4124 2465 5...
3	4562 4893 2210 4761 3659 1324 2595 5949 4583 2...
4	4269 7134 2614 1724 4464 1324 3370 3370 2106 2...

sample.head()

	label
0	0
1	0
2	0
3	0
4	0

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}

初步观察数据

后续会更加细致地分析数据，先看大概看一下数据分布情况

train['label'].value_counts()

0     38918
1     36945
2     31425
3     22133
4     15016
5     12232
6      9985
7      8841
8      7847
9      5878
10     4920
11     3131
12     1821
13      908
Name: label, dtype: int64

可以看出，数据类别分布不均衡，有可能会影响f1值，需要后续对样本进行处理

%matplotlib inline

def split(x):
    return x.split()
length = train['text'].map(split).map(len)

length.describe()

count    200000.000000
mean        907.207110
std         996.029036
min           2.000000
25%         374.000000
50%         676.000000
75%        1131.000000
max       57921.000000
Name: text, dtype: float64

length.hist()

文本长度差别比较大，也需要进行处理

评测指标

1
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。f1取决于准确率和召回率的综合结果。

解题思路

赛题思路分析：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。为了减低参赛难度，我们提供了一些解题思路供大家参考：

• 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。