过了初赛就可以参加复赛,我初赛200+名(及格上榜的好像就400多人,具体名次我也不记得了),招行5.20给发了99.9的红包,很大方了~~~
赛题背景
财经新闻作为重要却海量的投资数据,无时无刻不在影响着投资者们的投资决策,为了更好地提示客户当下新闻事件对应的投资机会和投资风险,本课以研发“历史事件连连看”为目的,旨在根据当前新闻内容从历史事件中搜索出相似新闻报道,后期可以结合事件与行情,辅助客户采取相应投资策略。
该赛题是让参赛者为每一条测试集数据寻找其最相似的TOP 20条新闻,我们会根据参赛者提交的结果和实际的数据进行对比,采用mAP值作为评价指标。
具体实现
该题是一道文本相似度的题目,(我想也可以理解看成聚类啊,分类,具体如何操作我尚未试验)
讲一个小思路:
获取数据(读取中文文本)-->分词-->数据清洗(去掉停用词)-->计算tfidf--构建词袋模型转换为向量-->计算余弦相似度-->获取最相似的20条
额,这是一个baseline 的思路,比赛官方的结果还没有给出,我就先贴上自己baseline 的代码吧,其实还有很多要优化的地方,比如L:tfidf并不适合短文本,这样关键词提取上会出问题;另外VSM模型并不是计算相似性的最佳模型,个人见解,欢迎讨论.
科普一下:
常见的距离度量方法:
(1)欧式距离(2)Pea