天池：新闻文本分类-NLP实践Note-01

赛题内容

天池-新闻文本分类：https://tianchi.aliyun.com/competition/entrance/531810/information

• 赛题名称：天池-NLP之新闻文本分类
• 赛题目标：了解NLP的预处理、模型构建和模型训练等知识点。
• 赛题任务：以自然语言处理为背景，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。
（F1分数（F1-score）是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，最小为0。）