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:入门自然语言处理,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
完成数据下载,理解赛题的解题思路
赛题数据
赛题数据(报名后可见并可下载)为新闻文本,并按照字符级别进行匿名处理(为预防选手人工标注测试集),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。训练集有20w条样本,测试集A包括5w条样本,测试集B包括5w条样本。
数据标签
处理后的赛题训练数据如下:
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}
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。
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。
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。
新建目录
! mkdir data
! mkdir save
数据下载
# train data
! wget https://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531810/train_set.csv.zip
! unzip train_set.csv.zip -d ./data
! rm train_set.csv.zip
# test data
! wget https://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531810/test_a.csv.zip
! unzip test_a.csv.zip -d ./data
! rm test_a.csv.zip
安装必要包
! pip install fasttext transformers==2.9.0 gensim torch==1.3.0