NLP入门--新闻文本分类Task1

背景介绍

本次学习任务是基于天池的nlp入门比赛–零基础入门之NLP文本新闻分类，该赛题以当下非常火热的自然语言处理为背景，要求选手使用模型对各种新闻文本语料进行分类，以提高分类精度为目标。

数据下载和分析

数据下载地址为 数据下载链接，该数据下载需要先报名对应的比赛，如下图所示点击报名完成相应报名步骤即可。

从官网上下载得到的数据只是提供了压缩包的下载地址，需要自行去下载然后解压，最终会得到这样的几个数据，包括训练集和测试集。

其中，训练集包括两列数据，一列是文本对应的分类标签，标签对应类别为：

{‘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}

另一列则是文本内容经加密之后得到的字符串/数字串（此处加密是防止选手人工标记测试集），通过模型在训练集上学习之后，再去预测测试集的文本标签。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。
$$f1score=2\ast \frac{(precision\ast recall)}{(precision+recall)}$$
f1_score的简单代码实现如下：

from sklearn.metrics import f1_score
y_true = [0, 1, 2, 0, 1, 2]
y_pred = [0, 2, 1, 0, 0, 1]
f1_score(y_true, y_pred, average='macro');

数据读取

在python中调用代码，简单看一下数据格式。

import pandas as pd
import sys
import csv
csv.field_size_limit(500 * 1024 * 1024)#避免因数据格式受限而无法读取数据
train_df = pd.read_csv('C:/Users/Administrator/Desktop/wenbenfenlei/train_set.csv', sep='\t', nrows=200596)
train_df.head();

前五行数据读取结果：

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

基本的数据描述：

%pylab inline
train_df['text_len'] = train_df['text'].apply(lambda x: len(x.split(' ')))
print(train_df['text_len'].describe());

Populating the interactive namespace from numpy and matplotlib
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_len, dtype: float64

从该结果中可以看出，这次比赛给出的数据集平均字符长度为907，最短的文本只有2个字符，最长的达到5万多字符。
再将文本长度进行可视化就更一目了然了：

可见绝大部分文本长度都分布在2000以内。

解题思路

简单直接款1.TF-IDF+机器学习分类器（SVM\LR\XGBoost）
入门版2.FastText（入门款的词向量工具）
进阶版3.WordVec+深度学习分类器
高配版4.Bert词向量