赛题解读

赛题解读

---

赛题数据

赛题链接

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。处理后的赛题训练数据如下：

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

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}

数据列使用\t进行分割，Pandas读取数据的代码如下：

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

测评标准

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。

计算公式：
$$F1=2\ast \frac{(precision\ast recall)}{(precision\ast recall)}$$

Remark:

• TP：预测为Positive并且对了（样本为正类且预测为正类）
• TN：预测为Negative并且对了（样本为负类且预测为负类）
• FP：预测为Positive但错了（样本为负类但预测为正类）
• FN：预测为Negative但错了（样本为正类但预测为负类）
• TP + FP：预测为Positive并且对了 + 预测为Positive但错了 = 预测为Positive的样本总数
• TP + FN：预测为Positive并且对了 + 预测为Negative但错了 = 实际为Positive的样本总数

$$precision=\frac{TP}{TP+FP}$$

$$recall=\frac{TP}{TP+FN}$$

• Macro F1: 将n分类的评价拆成n个二分类的评价，计算每个二分类的F1 score，n个F1 score的平均值即为Macro F1
• Micro F1: 将n分类的评价拆成n个二分类的评价，将n个二分类评价的TP、FP、RN对应相加，计算评价precision和recall，由这2个precision和recall计算的F1 score即为Micro F1

解题思路

• 思路1：TF- IDE + 机器学习分类

  直接使用TF-IDE对文本特征提取，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XGBoost

• 思路2：FsatText

  利用FastText可以快速构建出分类器

• 思路3：WordVec + 深度学习分类器

  利用WordVec和深度学习分类完成分类，深度学习的网络可以选择TextCNN、TextRNN或BiLSTM

• 思路4：Bert词向量