NLP入门Task1（以新闻文本分类赛事进行学习）

在datawhale组织中报名学习：入门NLP（以新闻文本分类赛事进行学习）。

1.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：通过这道赛题走入自然语言处理的世界，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。

2.赛题目标

通过自然语言处理的方法，对新闻文本进行分类

3.赛题数据

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。

4.数据标签

处理后的赛题训练数据：

5.评测指标

评价标准为类别f1_score的均值，结果越大越好。

$$F1=2\ast （\frac{precision\ast recall}{precision+recall}）$$

其中precision为精确率
$$precision=\frac{TP}{TP+FP}$$

recall为召回率
$$recall=\frac{TP}{TP+FN}$$

其中：
 TP（True Positive）:正样本预测为正样本的个数
 FP（True Positive）:将负样本预测为正样本的个数
 FN（True Positive）:将正样本预测为负样本的个数

6.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。

7.解题思路

赛题思路分析

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。进行分类可通过四种方法：

思路1：TF-IDF + 机器学习分类 — 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。