【NLP学习笔记】1-NLP新闻文本分类赛题理解

Introduction

以自然语言处理为背景，对所给新闻文本进行分类。利用训练样本训练模型，利用测试样本预测，根据F1-score得分来评判预测结果好坏¹。
数据集：这里数据集提前被匿名处理，共有14个labels标签，对应关系如下：
{‘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}
测试样本 ：A/B each 5W
训练样本 ：20W

Task

Tool：python(以前大多数还是会用R，买了几本python的书还是会闲置在家，这里推荐《python语言程序设计》这本书，可以一起来学习。）

• 数据读取—pandas
• 训练模型方法学习
• 测试集合预测
• F1-score综合评分

1、数据读取-pandas学习

pd.read_csv(filepath,encoding,sep,header,names,usecols,index_col,skiprows,nrows）

//注意事项：
filepath尽量使用英文名称
encoding默认编码为utf-8，如果是csv，且数据中有中文时，则要指定encoding=‘gbk’
sep:指定分割符形式，CSV默认逗号分割，可以忽略这个参数，如果是其它分割方式，则要填写其他分割字符。
names: 当header=0时，用names可以替换掉第数据中的第一行作为列名，header=None，用names可以增加一行作为列名，无header参数时，用names会增加一行作为列名，原数据的第一行仍然保留。
usecols:指定读取的列名
index_col: 指定哪几列作为索引
skiprows: 跳过n行再读取数据
nrows: 读取多少行

2、 转化分词

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。

3、匿名字符建模

这里关于建模涉及特征提取相关工作

4、方法思路

• 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。

  • TF_IDF入门系列，根据词频来统计关键词，提取完相关特征后可以利用svm或者回归进行分类训练】

• 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。¹

  • FastText教程学习
  • 知乎介绍Fastrank

• 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。

  • wordvec转化为词向量，文本神经网络TextCNN or BiLSTM。
  • word2vec主要有两种模型：skip-gram 模型和CBOW模型，

• Bert词向量
  Bert是高配款的词向量，具有强大的建模学习能力。

5、F1-score

召回率和准确率的计算。

---

1. 赛题链接 ↩︎ ↩︎