如果你不希望看我下面的废话,只想看源码,我可以满足你的愿望:
源码地址:
https://github.com/ZhouNLP/tcnlp
只要你参加过此次比赛,应该都能看懂。
比赛地址:
https://tianchi.aliyun.com/competition/entrance/531810/introduction
前言
作为一个纯新人,系统学习人工智能半年多的时间,第一次参加AI比赛,能取得这样的成绩是参加前万万没想到的。虽然这个比赛属于NLP基础任务,难度较低,但是参赛人数并不少。8月初参赛时第一次上传成绩120+,两天后再看,已经被挤到170+。当时想,努力下进前100,最好能进前50,这样已经很满意了。谁曾想,20天以后,我已经在考虑怎么超过第一了。(着实膨胀了)下面是我参加此次比赛的心路历程,以及一些经验体会,希望能对大家有所借鉴。
比赛历程
1.TF_IDF
因为是新人参赛,所以是一路跟随赛事官方提供的baseline,以及阿水老师的指导,从最基础的 tf_idf 开始做起。在长文本分类中,只考虑频率的特征向量,能取得比较好的效果(f1值 0.94+),这其实也并不难理解。类似于SEO中的关键词密度(一种搜索引擎判定网页主题权重的传统方法),或者写论文时,由作者设置的文章关键词。文章中出现次数多的字词自然容易体现文章的主题类别。由于匿名数据,无法做中文分词,n-gram的加入就显得尤为重要,后期的CNN也是类似的思路。
2.FastTEXT
我理解的fasttext,就是简化版的word2vec。我们参加比赛并不重视算法效率问题,既然有真正的word2vec可以用,我就没有认真研究这个算法。简单调参了一下baseline,发现最好的f1值也没超过TF_IDF的表现,然后就直接放弃了。
3.CNN
从这个模型开始,正式进入了本次比赛的重头戏——深度学习模型。赛事方给出的3个深度学习baseline都是基于分层attention的HAN网络,这一经典的长文本分类模型。区别在于WordEncoder使用了不同的网络,首先是CNN,使用了类似n-gram的方式提取词组特征。不出所料的与TF_IDF一样取得了很好的效果(F1值 0.95+)。我对CNN没有进行任何网络结构的改动,只是通过调参(主要是学习率和batch_size),使得模型在baseline的基础上有了不小的提升。当然,调参过程并不轻松,