c++大文本比较_从Kaggle看文本分类技术演进

竞赛( Leaderboard) 是论文最好的练兵场，撕开论文第三页上方华丽花哨的大图，是骡子是马拉出来溜溜。

为什么说竞赛(Leaderboard)是论文最好的练兵场。原因有以下四个：

1. 统一测试集的划分，避免了自己通过不规范不统一的验证集划分来自说自话，运动员想当裁判。众所周知，不同的测试集其实方差波动范围不小.
2. 允许trick，在trick的加成下比试去比model baseline，避免了自己偷偷用了trick提升了百分之80的效果，然后把功劳送给第三页上面的花里胡哨的大图。然后说我真棒。
3. 会有很多队伍（上千支）同时来检验paper，是否难于实现，开源是否丰富，是否难以泛化都决定了你工作的质量。
4. 竞赛数据一般比较新，数量可靠（百万级别很常见），没有过度优化甚至泄露标签的风险。

下面我们总结了历史上kaggle的历次文本分类比赛。昨日重现，文本分类是怎样的技术演进方向。

一、青铜时代

特征工程+分类器的天下。

LSHTC数据集

https://www.kaggle.com/c/lshtc

（5 years ago）这也是著名大规模文本分类数据集LSHTC的首次登场，后来演变成了text classification的benchmark。

5年前。DL刚起步，风还没有刮到NLP，于是喜闻乐见，方案是特征工程+分类器，特征如TFIDF，BM25等。线性分类器融合。

中规中矩的监督学习框架，没有什么亮点，不过TFIDF，BM25就是IR领域里最经得住历史考验的东西，沿用至今。

论文和代码见https://storage.googleapis.com/kaggle-competitions/kaggle/3634/media/LSHTC4_winner_solution.zip

二、白银时代

电影评论分类，初见word2vec的身影

Rotten Tomatoes 电影评论

（4.5years ago）

https://www.kaggle.com/c/sentiment-analysis-on-movie-reviews/data

这时候word2vec已经被大家讨论起来，不过端到端的方案似乎还还不多。方案是特征工程+分类器，特征多了bag of words的word2vec。

电影评论分类，word2vec大显身手

这就是大家常用的IMDB数据集了。

（4years ago）

https://www.kaggle.com/c/word2vec-nlp-tutorial/data

DL开始见威力，和FE+分类器的方法不相上下，具体这里有一些讨论https://www.kaggle.com/c/word2vec-nlp-tutorial/discussion/11261#latest-371184，这时候应该有一些端到端的方案了，不过大家似乎还是愿意把word2vec当feature用。DL框架也不是很多被讨论。

Quora数据集

https://www.kaggle.com/c/quora-question-pairs

(3years ago)

这其实是个文本匹配的任务，拿在这里是因为这中间没有文本分类比赛，这个比较有代表性。

DL开始大放异彩，不用magic的情况下，孪生网络+embedding为代表的DL baseline 可以碾压FE+分类器了。这时候各种框架也开始百花，keras占领了kaggle半壁江山，pytorch因该刚刚还在襁褓里。

这中间缺了一些文本分类的比赛，也进入文本分类的黑暗时期，毫无亮点，大家沉浸在排列组合的无聊游戏中疯狂水论文，于是乎embedding + CNN/RNN/LSTM/Highway/Attention/Memory/hierarchy/Graph/Tree 开始排列组合，类似与CTR中的排列组合水论文大法。不过涌现了一些比较高质量的embeding，如fasttext和glove等等。

这里面的方法当属textCNN(创新型较大) fasttext（工程意义大），其他的可以扔进垃圾箱（个人观点）。

Toxic数据集

https://www.kaggle.com/c/jigsaw-toxic-comment-classification-challenge

(1 years ago)

DL的端到端方法基本碾压了FE，强力baseline： bilstm几乎可以吊打所有的文本分类结构，ELMO还没诞生，这个比赛也是各种排列组合，没什么意思。

三、黄金时代

Quora数据集

https://www.kaggle.com/c/quora-insincere-questions-classification

(0.4 years ago)

pretrianed model的光照亮了nlp，给历史翻篇，枚举和排列组合结构终于被一棒子打死。于是乎大家看到一个bert直接霸榜，不过这次比赛禁止了外部数据，所以bert不能用作最后提交方案，所以导致大家穷尽可能的使用embedding+排列组合的方法也没打过public的bert，前排用bert挥一挥衣袖，没有留下一片云彩。

Toxic2 数据集

https://www.kaggle.com/c/jigsaw-unintended-bias-in-toxicity-classification

(now)

pretrained model大放异彩。bert和gpt2开始霸榜，xlnet进入讨论区。几乎清一色的finetune model。手痒痒也参加了这个比赛，不得不说，bert真强。

如果细看文本分类 ：

FE-> embedding -> embedding端到端 -> pretrianed model

CTR：

FE -> FM/FFM ->embeding + MLP -> DeepFM等一系列端到端

是否有些相似呢？

虽然这里是用文本分类这种基本任务为例子，不过pretrianed model标志着NLP正式进入 CV的玩法，以resnet和bert为代表性的backbone被大家牢牢记住。当然新的方法的出现不意味着老方法的完全失效，在一些特定场景下，还是有用武之地。大浪淘沙，金子最终会闪闪发光。