NLP入门——天池新闻文本分类（1）赛题理解

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：入门自然语言处理，熟悉相关机器学习和深度学习的方法和算法。
3. 赛题任务：对来自互联网的新闻文本进行分类，也是一个典型字符识别的问题。

学习目标

1. 理解赛题背景与赛题数据
2. 下载赛题数据，理解赛题的思路

赛题数据

赛题的数据报名后即可下载，数据为新闻文本，并且进行了字符级别的匿名处理。数据文本中包含14个类别：财经、彩票、房产、股票、家居、教育、科技、社会、时尚、市政、体育、星座、游戏、娱乐。
赛题数据构成：训练集20w条样本，测试集A包含5w条样本，测试集B包括5w条样本。字符匿名处理是为了预防人工标注测试集。

数据标签

赛题训练数据示例：

label	text
6	57 44 66 56 2 3 3 37 5 41 9 57 44 47 45 33 13 63 58 31 17 47 0 1 1 69 26 60 62 15 21 12 49 18 38 20 50 23 57 44 45 33 25 28 47 22 52 35 30 14 24 69 54 7 48 19 11 51 16 43 26 34 53 27 64 8 4 42 36 46 65 69 29 39 15 37 57 44 45 33 69 54 7 25 40 35 30 66 56 47 55 69 61 10 60 42 36 46 65 37 5 41 32 67 6 59 47 0 1 1 68

标签与类别对应关系如下：{‘科技’: 0, ‘股票’: 1, ‘体育’: 2, ‘娱乐’: 3, ‘市政’: 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，将提交结果和实际类别进行对比，结果当然越大越好.
f1_score是精确率和召回率的调和平均。我们知道精确率和召回率是在二分类问题中的定义：
首先将关注的类称为正类，其他类为负类，分类器的预测正确或不正确，4中情况出现的总数分别记为：
TP——将正类预测为正类
FP——将正类预测为负类
FN——将负类预测为正类
TN——将负类预测为负类， 于是
$$P=\frac{TP}{TP+FN}$$
$$R=\frac{TP}{TP+FP}$$
$$\frac{2}{F1}=\frac{1}{P}+\frac{1}{R}$$
也就是
$$F1=2\ast \frac{P\ast R}{P+R}$$
当精确率和召回率都高，f1值就会很高。
使用sklearn的库函数可以完成f1值的计算

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')

读取数据

使用Pandas库读取数据，

train_df = pd.read_csv('./train_set.csv', sep='\t')

解题思路

赛题思路分析：赛题文本分类问题，根据每句的字符进行分类。由于数据匿名化的，不能直接使用中文分词，所以需要对匿名字符进行建模，涉及到特征提取和分类模型两个部分。
可能会用到的解题思路：

1. 思路1：TF-IDF + 机器学习分类器
   使用TF-IDF对文本提取特征，并使用分类器分类，分类器可以选择SVM、LR、或者XGboost

2. 思路2：FastText
   FastText是入门级的词向量，使用Facebook提供的FastText工具，快速构建分类器

3. 思路3：WordVec + 深度学习分类器
   WordVec是进阶级的词向量，深度学习分类网络有TextCNN、TextRNN以及BiLSTM。

4. 思路4：Bert词向量
   Bert是高配级词向量，建模学习能力更加强大