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

2. stack-lstm，attention with generally pooling 单模71。加下规则可能达到71.5
3. ngram2vec M.K 单模72.4
4. loss方面
5. a structured self-attentive sentence embedding
6. enhancing sentence embedding with generalized pooling
7. dynamic self-attention：computing attentioin over words dynamically for sentence embedding