NLP-Task 1 赛题理解

本文介绍了NLP任务1——新闻文本分类的赛题理解,包括赛题目标、数据解读、标签说明、评测指标和解题思路。数据集包含14个类别,匿名处理过的文本需要通过特征提取和分类模型来处理,提出了TF-IDF+机器学习、FastText、WordVec+深度学习以及Bert词向量等解题方法。
摘要由CSDN通过智能技术生成

前言

第一次参加类似的比赛,也是第一次写博客,希望可以记录自己的收获与成长。

Task 1 赛题理解

赛题:零基础入门NLP赛事-新闻文本分类
地址:[https://tianchi.aliyun.com/competition/entrance/531810/introduction]

1.1 赛题理解

1.赛题名称:零基础入门NLP之新闻文本分类
2.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。
3.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。

1.1.1 学习目标

1.理解赛题背景与赛题数据
2.完成赛题报名和数据下载,理解赛题的解题思路

1.1.2 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,比赛数据的文本按照字符级别进行了匿名处理。

1.1.3 数据标签

处理后的赛题训练数据如下:
在这里插入图片描述
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}

1.1.4 评测指标

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。

1.1.5 数据读取

使用Pandas库完成数据读取操作,并对赛题数据进行分析。

1.1.6 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分类模型两个部分。解题思路如下所示:

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。

总结

今天主要是对赛题进行熟悉和了解,下一篇正式进入数据的分析与模型构建。

————————————————
版权声明:本文为CSDN博主「Thor1」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/Thor1/article/details/107490247

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值