NLP学习实践天池新人赛打卡第一天_天池大赛nlp新手赛-CSDN博客

本文链接：https://blog.csdn.net/qq_43370556/article/details/107487564

NLP学习实践天池新人赛打卡第一天

Task1 赛题理解

Task1 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：通过这道赛题可以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。
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

理解赛题背景与赛题数据
完成赛题报名和数据下载，理解赛题的解题思路

赛题数据

赛题以匿名处理后的新闻数据为赛题数据，数据集报名后可见并可下载。赛题数据为新闻文本，并按照字符级别进行匿名处理。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。

赛题数据由以下几个部分构成：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。为了预防选手人工标注测试集的情况，我们将比赛数据的文本按照字符级别进行了匿名处理。

数据标签

处理后的赛题训练数据如下：
在这里插入图片描述
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。

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。
首先取出五个数据看一下格式

import pandas as pd
import matplotlib.pyplot as plt

TRAIN_FILE_PATH = './train_set.csv'
train_df = pd.read_csv(TRAIN_FILE_PATH, sep='\t')
print(train_df.head(5))

   label                                               text
0      2  2967 6758 339 2021 1854 3731 4109 3792 4149 15...
1     11  4464 486 6352 5619 2465 4802 1452 3137 5778 54...
2      3  7346 4068 5074 3747 5681 6093 1777 2226 7354 6...
3      2  7159 948 4866 2109 5520 2490 211 3956 5520 549...
4      3  3646 3055 3055 2490 4659 6065 3370 5814 2465 5...

看一下训练集和测试集A的数据情况以及训练集的类别分布

import pandas as pd
import matplotlib.pyplot as plt

TRAIN_FILE_PATH = './train_set.csv'
TEST_FILE_PATH = './test_a.csv'
train_df = pd.read_csv(TRAIN_FILE_PATH, sep='\t')
test_df = pd.read_csv(TEST_FILE_PATH, sep='\t')
print(train_df.info(), test_df.info())

y = train_df['label'].value_counts(dropna=False)
image = plt.bar(y.index, y)
plt.show()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 200000 entries, 0 to 199999
Data columns (total 2 columns):
label    200000 non-null int64
text     200000 non-null object
dtypes: int64(1), object(1)
memory usage: 3.1+ MB
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 50000 entries, 0 to 49999
Data columns (total 1 columns):
text    50000 non-null object
dtypes: object(1)
memory usage: 390.7+ KB
None None