细粒度情感分析各位大佬的经验

阁子

对于少的类别要注重召回而不是准确,由marco f1的性质决定,没召回的损失远远大于误召回的损失。比如label2的0类别。训练如果是softmax是拟合分布,不会考虑这点。可以考虑设置一些权重。 对于少的类别要注重召回而不是准确,由marco f1的性质决定,没召回的损失远远大于误召回的损失。比如label2的0类别。训练如果是softmax是拟合分布,不会考虑这点。可以考虑设置一些权重。

不同粒度分词提升模型多样性。

针对f1,考虑规则学习, 机器学习周志华15章需要翻看。

rnn+self attention

词库 用jieba直接分词 + google sentence piece

glove效果没有fasttext好

单模loss越小越好3.228
直接平均72.2,rank平均72.853
用logits模型权重 加和 做一个softmax得出类别概率 考虑类别分布的系数调整,argmax输出类别决策,概率也不错,但是概率不好系数
elmo最棒
valid集上10交叉,在上面cv,不把valid去训练,单个模型用整个valid看效果,多个模型集成用valid数据十交叉看效果
始终不让官方valid数据参与模型训练
不仅需要深度,更需要宽度,lstm比gru效果好, 400宽度

  1. stack-lstm,attention with generally pooling 单模71。加下规则可能达到71.5
  2. ngram2vec M.K 单模72.4
  3. loss方面
  4. a structured self-attentive sentence embedding
  5. enhancing sentence embedding with generalized pooling
  6. dynamic self-attention:computing attentioin over words dynamically for sentence embedding
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值