NLP-Job1 赛题理解(天池)
赛题说明
本文针对天池赛题的-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。
- 赛题名称:零基础入门NLP之新闻文本分类
- 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。
GitHub:https://github.com/datawhalechina/team-learning
赛题网址:https://tianchi.aliyun.com/notebook-ai/detail?spm=5176.12586969.1002.6.6406111aIKCSLV&postId=118252
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。
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。
NLP-Job1 赛题理解(天池)相关推荐
- 天池NLP学习赛(1)赛题理解
天池NLP学习赛(1)赛题理解 题目 题目类型:新闻文本分类(字符识别问题)链接 数据: 赛题数据为新闻文本,并按照字符级别进行匿名处理,数字编码形式呈现.整合划分出14个候选分类类别:财经.彩票.房 ...
- 【天池赛事】零基础入门语义分割-地表建筑物识别 Task1:赛题理解与 baseline
[天池赛事]零基础入门语义分割-地表建筑物识别 Task1:赛题理解与 baseline(3 天) – 学习主题:理解赛题内容解题流程 – 学习内容:赛题理解.数据读取.比赛 baseline 构建 ...
- 天池二手车拍卖赛题理解之特征工程
天池二手车交易价格预测赛题理解之特征分析常见操作 原文链接:Datawhale 零基础入门数据挖掘-Task3 特征工程 本文为个人阅读笔记,仅记录阅读过程中遇到的新知识. 数据归一化实现: (截图中 ...
- 数据竞赛专题 | 从赛题理解到竞赛入门基础
为了帮助更多竞赛选手入门进阶比赛,通过数据竞赛提升理论实践能力和团队协作能力.DataFountain 和 Datawhale 联合邀请了数据挖掘,CV,NLP领域多位竞赛大咖,将从赛题理解.数据探索 ...
- 新闻本文分类-01赛题理解
该文是连载文章,基于新闻文本分类赛题从而入门自然语言处理.主要从赛题理解.数据读取与数据分析.基于机器学习的文本分类.基于深度学习的文本分类这四部分来学习NLP. 一.赛题背景 本次新人赛是Dataw ...
- 2020腾讯广告算法大赛:赛题理解与解题思路
写在前面 期待已久的2020腾讯广告算法大赛终于开始了,本届赛题"广告受众基础属性预估".本文将给出解题思路,以及最完备的竞赛资料,助力各位取得优异成绩!!! 报名链接:https ...
- 【数据挖掘】金融风控 Task01 赛题理解
[数据挖掘]金融风控 Task01 赛题理解 1.赛题介绍 1.1赛题概况 1.2 数据概况 1.3 预测指标 1.3.1 混淆矩阵 1.3.2 准确率.精确率.召回率.F1 Score 1.3.3 ...
- Task1:赛题理解,熟悉blog打卡方式,组队和修改群名片
Task1:赛题理解,熟悉blog打卡方式,组队和修改群名片 相关要求 (3月21日)(打卡截止时间3月21日晚22:00) 1.熟悉活动相关材料内容,熟悉打卡方式 2.确认队伍名.队员昵称3.按照[ ...
- 地表建筑物识别——Task01赛题理解
前言:这次参加Datawhale与天池联合发起的零基础入门语义分割之地表建筑物识别挑战赛.自己在大四上(2018下半年)也简单接触过语义分割,当时是基于FCN做CT图像乳腺肿瘤的分割.现在参加这个入门 ...
- 二手车数据挖掘- 赛题理解
Datawhale 零基础入门数据挖掘-Task1 赛题理解 一. 赛题理解 Tip:此部分为零基础入门数据挖掘的 Task1 赛题理解 部分,为大家入门数据挖掘比赛提供一个基本的赛题入门讲解,欢迎后 ...
最新文章
- [转]Java8-本地缓存
- IOS开发简易的网易新闻页面
- Logtail从入门到精通(四):正则表达式Java日志采集实战
- PRIMARY KEY 与 UNIQUE
- 【李宏毅2020 ML/DL】补充:Meta Learning - Gradient Descent as LSTM
- excel根据条件列转行_Excel vba-根据不同筛选条件筛选后,拆分成新的excel工作簿...
- 系统分析员备考之系统工程篇(系统工程基础)
- 人脸检测(十四)--MTCNN
- 游戏策划笔记:工作感受感官引导
- Visio 连线 取消自动附着,取消自动捕捉
- chm打开秒退_用熊猫看书来看chm,却自动退出,什么原因?
- 浏览器的作用不只是搜索、浏览网页,它还隐藏着这些功能
- outlook邮箱pc/mac客户端下载 含最新版
- 依照以下条件写出合适的XML Schema.
- logback各标签详解
- 「牛客网C」初学者入门训练BC139,BC158
- 分支过程灭绝概率matlab,一类年龄结构相关的两性分支过程的灭绝概率
- redis实战读后感(五)-构建支持程序
- Linux中TTY是什么意思
- 算法思想为什么重要,通过IMDB学习算法的设计思路
热门文章
- 惩罚函数内点法c语言,分享:惩罚函数法(内点法、外点法)求解约束优化问题最优值...
- 图机器学习(Graph Machine Learning)- 第二章 图机器学习简介 Graph Machine Learning
- 使用jmeter进行接口压力性能测试
- 大数据在银行业的应用与实践
- 石油远程《机械设计》第二次在线作业
- asP上传服务器文件闪退,aspupload文件重命名及上传进度条的解决方法附代码
- 两款很棒的工具箱App
- c语言循环计算分式加减乘除混合运算,计算()_分式的加减乘除混合运算及分式的化简_中学题库-沪江中学学科网...
- 电脑连接无线网网速慢,同局域网下其他电脑网速却不慢
- R语言必学包之data.table包