零基础入门NLP-Task1 赛题理解

Task1 赛题理解

赛题背景

• 举办方：Datawhale，TIANCHI天池
• 赛题名称：零基础入门NLP之新闻文本分类 详细信息.
• 赛题任务：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。
• 赛题目标：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。
• 学习方案：数据科学库、通用流程和baseline方案学习三部分。

赛题数据

• 数据集：新闻文本数据，按照字符级别进行过匿名处理。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。
• 候选分类类别：财经财经、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，共14个。在数据集中标签的对应关系如下：
  {‘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，}

说明：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。处理后的赛题训练数据如下：

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。

其中：precision为查准率，recall为查全率。

解题思路

• 思路分析：首先使用Pandas库完成数据读取操作，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。
• 难点：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，需要对匿名字符进行建模，进而完成文本分类。
• 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。

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。
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。
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。
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。