NLP实践之——赛题理解

赛题链接https://tianchi.aliyun.com/competition/entrance/531810
赛题理解¶

赛题名称：零基础入门NLP之新闻文本分类
赛题目标：熟悉NLP的预处理、模型构建和模型训练等知识。
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。

赛题数据¶
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。
1、F1-score的定义
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。

此外还有F2分数和F0.5分数。F1分数认为召回率和精确率同等重要，F2分数认为召回率的重要程度是精确率的2倍，而F0.5分数认为召回率的重要程度是精确率的一半。计算公式为：

G分数是另一种统一精确率和的召回率系统性能评估标准，G分数被定义为召回率和精确率的几何平均数。

2、F1-score的计算
混淆矩阵（Confusion Matrix），针对二元分类问题，将实例分为正类或者负类，会出现四种情况：
（1）实例本身为正类，被预测为正类，即真正类（TP）；
（2）实例本身为正类，被预测为负类，即假负类（FN）；
（3）实例本身为负类，被预测为正类，即假正类（FP）；
（4）实例本身为负类，被预测为负类，即真负类（TN）；
准确率：

准确率在类别极度不平衡问题上，作为评级指标不是十分合适。例如，1000个样本中，990个正
例，10 个负例，分类器预测准确率为 90%，而全将样本作为正例都有 99% 的准确率。
查准率和召回率
查准率（Precision）：模型预测为正例数据占预测为正例数据的比例，也叫精准度

召回率（Recall）：预测为正例的数据占实际为正例数据的比例，也叫查全率

则

对各个类别的F1-score求均值，可得最后评测结果

数据读取¶
使用Pandas库完成数据读取操作，并对赛题数据进行分析。
解题思路¶
赛题思路分析：赛题本质是一个文本分类问题，需要根据每句的字符进行分类。但赛题给出的数据是匿名化的，不能直接使用中文分词等操作，这个是赛题的难点。
因此本次赛题的难点是需要对匿名字符进行建模，进而完成文本分类的过程。由于文本数据是一种典型的非结构化数据，因此可能涉及到特征提取和分类模型两个部分。为了减低参赛难度，我们提供了一些解题思路供大家参考：

思路1：TF-IDF + 机器学习分类器

直接使用TF-IDF对文本提取特征，并使用分类器进行分类。在分类器的选择上，可以使用SVM、LR、或者XGBoost。

思路2：FastText

FastText是入门款的词向量，利用Facebook提供的FastText工具，可以快速构建出分类器。

思路3：WordVec + 深度学习分类器

WordVec是进阶款的词向量，并通过构建深度学习分类完成分类。深度学习分类的网络结构可以选择TextCNN、TextRNN或者BiLSTM。

思路4：Bert词向量

Bert是高配款的词向量，具有强大的建模学习能力。