文章目录
本章将会对新闻文本分类进行赛题讲解,对赛题数据进行说明,并给出解题思路。
一、赛题理解
- 赛题名称:零基础入门NLP之新闻文本分类 link
- 赛题目标:通过这道赛题可以引导大家走入自然语言处理的世界,带大家接触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。
二、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。
三、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}
四、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。
分类问题的几个评价指标:
Precision、Recall、F1-Score、Micro-F1、Macro-F1
4.1 四个基本概念 TP FP FN TN
True Positive 真阳性:预测为正,实际也为正
False Positive 假阳性:预测为正,实际为负
False Negative 假阴性:预测与负、实际为正
True Negative 真阴性:预测为负、实际也为负。
4.2 召回率Recall
R e c a l l = T P T P + F N {\mathop{\rm Re}\nolimits} call = \frac{ {TP}}{ {TP + FN}} Recall=TP+FNTP
4.3 精确率 Precision
P r e c i s