NLP以赛代练 Task 1：赛题理解

 

---

题目

比赛网址：https://tianchi.aliyun.com/competition/entrance/531810/information
 

---

题目求解的是什么

将一篇文章归入到具体的类别中，一共有 $14$ 个明确了的候选分类类别：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。

这是一个文本分类任务，将文章分门别类的归入到具体的类别中；如果只是把文章归为一类却没有具体的类别（不关心类别），那就是文本聚类。

文章的具体类别，也称为【标签】。每篇文章通常只有一个类别，如果一篇文章有多个类别，此时问题就是多标签任务。
 

---

已知什么

数据集下载：

训练集数据	测试集A榜数据	测试集A榜提交样例
https://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531810/train_set.csv.zip	https://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531810/test_a.csv.zip	https://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531810/test_a_sample_submit.csv

文本分类是一个监督学习任务，除了数据外，还得有标准答案。

 

---

要满足哪些条件

不得不说，评测标准。

评测标准是准确率评测，也就是问，你的准确率（$accuracy$）是多少。

当预测与答案的数量相等时，准确率即系统做出正确判断的次数除以总的测试次数。

衡量分类器的准确程度，通常有 $3$：

• $precision$：精确率，简称 $P$ 值；
• $recall$：召回率，简称 $R$ 值；
• $F_1$：精确率、召回率的调和平均值，简称 $F_1$ 值。

这些名词都属于预测，要理解他们的计算方法，得先理解混淆矩阵。

	P	N
P	TP	FP
N	FN	TN

纵坐标为预测结果，横坐标为标准答案，一共有 $4$ 种组合：

• $TP$：预测是 $P$，答案是 $P$；
• $FP$：预测是 $F$，答案是 $N$;
• $TN$：预测是 $N$，答案是 $N$；
• $FN$：预测是 $N$，答案是 $P$；

只要混淆矩阵确立了，$3$ 个准确指标就都确定了。

• $precision=预测对的情况数/预测的情况数=\frac{TP}{TP+FP}$
• $recall=预测对的情况数/所有预测的情况数=\frac{TP}{TP+FN}$
• $F_1=\frac{2\ast P\ast R}{P+R}$

通常 $precision$ 越高，$recall$ 就越低，反之亦然。

所以，我们需要一个综合性的指标，比如精确率、召回率的调和平均值 $F_1$。
 

---

解题思路

本质是一个文本分类问题，需要根据每句的字符进行分类。

• 但给出的数据是匿名化的，不能直接使用中文分词等操作，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。

主要的思路：

• $TF-IDF$ + 余弦相似度来进行分类

  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，可以使用机器学习的 $svm$、$lr$ 或 $xgboost$，也可以使用余弦距离。
   

• $FastText$

  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。
   

• $WordVec$ + 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 $BiLSTM$。
   

• $Bert词向量$

  $Bert$ 是高配款的词向量，具有强大的建模学习能力。
   

---

$TF-IDF$ + 余弦相似度来进行分类

以第一种举例，先把文字的新闻变成一组可计算的数字，然后再设计一个算法来算出任意两篇新闻的相似性

利用 TF-IDF 将某个新闻转换成新闻的特征向量，每一个维度的大小代表每个词对这篇新闻的贡献

向量的夹角是衡量两个向量相似程度的度量，因此可以利用两个向量的夹角来判断对应的新闻主题的相似程度。

有关于向量的使用方法，请猛击：《向量实验：相似度算法》（实验有向量部分的新闻分类自动化、评估用户消费能力、人群聚类、简历筛选自动化、论文查重）