2020 泰迪杯 C 题

返回目录

思路

具体思路请见：https://blog.csdn.net/weixin_42141390/article/details/106069244

返回目录

第一问

数据预处理

首先打开附件 2：

然后以留言详情为输入数据，以一级标签为输出标签，于是问题转换为一个文本分类的问题。因此，我们需要将非结构型文本数据转换为结构型文本数据（表格）；将文本标签（一级标签）转换为自然数，以表示类别，如下所示：

返回目录

二元语法

对于输入文本，首先用二元语法对文本进行拆分，如下所示：

返回目录

词袋模型

进行二元语法拆分后，我们需要进行特征提取，将上述文本结构转换为结构化数据。我们将上述所有的数据的取值作为表头，每一条数据，在某一列的取值为，其对应的二元字符，出现的频次。

如第 0 条数据，列 “3区” 的取值 1；列“尊敬” 的取值为 0。不过，在实际编程上，可定不能直接用一个表格表示，因为转换后的数据必然是极其稀疏的稀疏表格。并且，直接用中文字符来作为列名，也十分浪费存储空间。本人曾经试过，若转换为稀疏表格，则将占用 40 GB… 而我的小电脑才 8 GB 内存呀…

于是这里用稀疏矩阵的方式来存储，比如将第一行存储为：

[(0, 1),
 (1, 1),
 (2, 1),
 (3, 1),
...
 (90, 1),
 (91, 1),
 (92, 1)]

第二行存储为：

[(7, 1),
(26, 1),
(73, 1),
(77, 1),
(93, 1),
...
(163, 1),
(164, 1),
(165, 1)]

转换为稀疏矩阵后，由于输入特征的数量很多，容易造成维度灾难，所以需要采用一些过滤方法。这里采用卡方检测法：卡方检测法用于检测两个分布是否独立，我们可以遍历每一个输入特征，与标签做卡方检测，若证明独立，则可以排除掉当前特征。

这里设置卡方检测的显著水平为 0.001，原假设为当前输入特征与标签是独立的。可得，那些保留下来的特征共 30291 个。

最后的出来的数据集为，一个 9210X30291 的稀疏矩阵：

返回目录

分类模型

机器学习方法

根据“没有免费午餐定律”，我们首先从如下模型中筛选最佳模型：

算法	逻辑回归	k近邻算法	朴素贝叶斯分类器	支持向量机分类	决策树	随机森林	AdaBoost
符号	lg	knn	nb	svc	dtc	rf	ada

但在此之前，先结合交叉验证，网格寻优寻找最合适参数，参数网格和筛选结果如下：（其中随机森林的基函数为最大深度为 5 的决策树； AdaBoost 的基模型为逻辑回归模型）

然后，在根据 5 折交叉验证，计算最合适参数下，各模型的 F1 如下：

从各模型的 F1 的均值可以剔除决策树、随机森林和 kNN。剩下的模型差别均不大。但是，人们不能贸然地认为这些模型在效果上是 等 价的。因此，为了判断这些模型是否等价，还需要采用 T 检验的方法。我们对上述保留下来的模型进行两两 T 检验：（原假设为均值相等）

可见，这些模型都是等价的。但由于 AdaBoost 耗费资源最多，训练时长过长，运行时间过长，不建议选用。

个人觉得，除了 AdaBoost 之外，其他模型的性能如下表：

模型	占用空间	训练时长	运行时间
lg	***	**	**
svc	***	*	*
nb	*	**	***

* 越多越好

分别训练三个模型，并将数据集按 7:3 拆分为训练集、测试集，测出模型在训练集、测试集中的 F1 值如下所示：

返回目录

多层感知器

模型

因为我们将分类标签视为 0/1/2 等自然数，所以这里可将分类问题看成一个回归问题。（这也是一种解题思路吧，其实就是本人太懒了…）

当然，如果你想要按分类问题来做，那么利用深度学习的方法的话，你就必须进行 one-hot 编码了！

设置网络的拓扑结构如下：

训练算法为：Adam； 评价指标为：均方误差（MSE）；损失函数也是均方误差。同时，对每一层隐藏层加上一个 dropout 率为 0.1 的 Dropout 正则化。

返回目录

结果

第二问

数据预处理

要从每一个群众的留言中，收集某一时间段内群众集中反映的问题，显然属于一个文本聚类的问题。如果将群众相似的留言聚成一簇，即可将簇视为某个集中问题。根据该簇包含的留言条数、支持和反对的总数，并考虑其热度随时间的衰减，即可估计该问题的热度。

为了提取出聚类簇中留言的问题描述，以及地点和人群。这里考虑使用关键语句提取算法，从而自动生成关键句，再从关键句中人工提取出地点和人群。籍此就可以降低直接从留言详情中，人工提取问题概述的工作量。

返回目录

分词

首先，我们用一个条件随机场来分词。当然，条件随机场是一个序列标注模型，属于机器学习的一部分。为了训练一个条件随机场的分词模型，我们用了开源的分词数据集 MSR，最后训练出以条件随机场分词模型。

以附件 3 的第一条为例，用条件随机场分词结果如下：

[座落, 在, A市, A, 3区联丰路米兰春天G2栋320, ，, 一家, 名, 叫, 一米, 阳光, 婚纱, 艺术, 摄影, 的, 影楼, ，, 据说, 年单, 这, 一个, 工作, 室, 营业额, 就, 上百万, ，, 因为, 地处, 居民, 楼, 内部, ，, 而且, 有, 蛮长, 的, 时间, 了, ，, 请, 税务局, 和, 工商局, 查, 一下, ，, 看看, 这个, 一米, 阳光, 有没有, 正常, 纳税, ！, 如果, 没有, ，, 应该, 会, 怎么, 操作, ！]

返回目录

停用词过滤

采用双向匹配法，运用 hanlp 自带的停用词字典，过滤掉那些没有意义的词和符号：

['座落', 'A市', 'A', '3区联丰路米兰春天G2栋320', '一家', '一米', '阳光', '婚纱', '艺术', '摄影', '影楼', '据说', '年单', '工作', '室', '营业额', '上百万', '地处', '居民', '楼', '内部', '蛮长', '时间', '请', '税务局', '工商局', '查', '看看', '一米', '阳光', '有没有', '正常', '纳税', '没有', '应该', '会', '操作']

返回目录

词袋模型

和第一问一样，我们依旧是用词的频次作为每一个特征的取值，以第一条为例，其值为：

{0: 1,
 1: 1,
 2: 1,
...
 32: 1,
 33: 1,
 34: 2}

第二条其值为：

{1: 3,
 2: 1,
 6: 1,
 15: 1,
 26: 1,
...
 76: 1,
 77: 2,
 78: 2}

词袋模型有很多，除了单纯地使用频次外，还有使用 TF-IDF 的，但是使用 TF-IDF，会破坏数据的稀疏性，从而导致无法处理，所以这里只能采用频次，但没关系，能够用就可以。

返回目录

PCA 降维

数据的特征个数，经过分词、停用词过滤、词袋模型之后，共有 42754 个。我们将其降低至 1000 个，同时计算其贡献和累计贡献，图如下：

返回目录

热度挖掘

本文定义：话题热度 = 话题留言数 + 点赞数 - 0.5 反对数；且热度随着时间的延迟而呈现指数下降。

话题——聚类

什么是话题？每条留言的背后都是一个话题，于是，肯定有些留言的话题是相似的，相同的。为了找出话题，我们可以采用聚类的方法。

注意：聚类并不能找出语义的相似，而是找出“表面”的相似，比如：
我是慢热的人 和 他是慢热的人 可能属于一类，但 我是慢热的人 和 我是内向的人 却不是同一类，即使后者语义更加相近，反应的更近似于同一个主题。
但是，为了让大家学习，我们这里采用聚类。在第三问，还有求相似度的。到了那里，我们再用其他方法好不？
其实这里主要是为了让大家学习啦。不然我第一问就用分词的方法了，何必再重复呢？希望大家能学到更多的东西，如果觉得这篇文章对你们有所帮助，请点赞咯~

如何聚类呢？这里采用 DBSCAN。

聚类结果如下：

{-1: 3629, 0: 3, 1: 2, 2: 227, 3: 2, 4: 3, 5: 2, 6: 2, 7: 2, 8: 2, 9: 2, 10: 3, 11: 2, 12: 2, 13: 2, 14: 2, 15: 3, 16: 4, 17: 2, 18: 2, 19: 2, 20: 2, 21: 2, 22: 2, 23: 3, 24: 3, 25: 3, 26: 3, 27: 2, 28: 2, 29: 2, 30: 2, 31: 2, 32: 2, 33: 2, 34: 2, 35: 3, 36: 2, 37: 2, 38: 2, 39: 2, 40: 2, 41: 4, 42: 2, 43: 3, 44: 3, 45: 2, 46: 3, 47: 5, 48: 3, 49: 3, 50: 2, 51: 2, 52: 2, 53: 2, 54: 2, 55: 2, 56: 3, 57: 3, 58: 3, 59: 2, 60: 4, 61: 2, 62: 2, 63: 2, 64: 2, 65: 2, 66: 2, 67: 2, 68: 3, 69: 4, 70: 2, 71: 2, 72: 2, 73: 2, 74: 2, 75: 2, 76: 2, 77: 3, 78: 4, 79: 2, 80: 2, 81: 2, 82: 2, 83: 2, 84: 3, 85: 2, 86: 2, 87: 2, 88: 2, 89: 2, 90: 2, 91: 2, 92: 3, 93: 2, 94: 2, 95: 2, 96: 2, 97: 2, 98: 2, 99: 2, 100: 2, 101: 2, 102: 2, 103: 2, 104: 2, 105: 2, 106: 2, 107: 2, 108: 2, 109: 3, 110: 2, 111: 2, 112: 2, 113: 2, 114: 2, 115: 2, 116: 2, 117: 2, 118: 2, 119: 2, 120: 2, 121: 2, 122: 2, 123: 2, 124: 2, 125: 2, 126: 2, 127: 2, 128: 2, 129: 3, 130: 2, 131: 2, 132: 2, 133: 2, 134: 2, 135: 2, 136: 2, 137: 2, 138: 2, 139: 2, 140: 2, 141: 4, 142: 2, 143: 2, 144: 2, 145: 2, 146: 2, 147: 2, 148: 3, 149: 3, 150: 2, 151: 3, 152: 2, 153: 2, 154: 2, 155: 2, 156: 2, 157: 2, 158: 2, 159: 2, 160: 5, 161: 2, 162: 2, 163: 2, 164: 2, 165: 2, 166: 3, 167: 2, 168: 2, 169: 2, 170: 3, 171: 2, 172: 2, 173: 2, 174: 2, 175: 2, 176: 2, 177: 2, 178: 2, 179: 2, 180: 2, 181: 2, 182: 2, 183: 2, 184: 3, 185: 2, 186: 2, 187: 2, 188: 2, 189: 2, 190: 2, 191: 2, 192: 2, 193: 2, 194: 2, 195: 2, 196: 2, 197: 2, 198: 2, 199: 2, 200: 2, 201: 2, 202: 3, 203: 4, 204: 2, 205: 2, 206: 2, 207: 2, 208: 2, 209: 2, 210: 2}

其中 -1 为游离个体。

我们把一个簇叫做一个话题。我们得出每一个话题的热点计算公式如下：

$$\{\begin{array}{ll}{y}_i=10+Y-0.5N+\Delta y_i& y_i>0\\ 0& y_i\le 0\end{array}$$
$\Delta y_i$ 为时间衰退。按一般观点，热度的衰退应该是呈现指数型的，所以我们将 $\Delta y_i$ 定义为如下格式：
$$-\Delta y=a\exp (b\Delta t)-c$$
那么定义上述的参数呢？观察数据可以发现，最近的留言时间为 T=2020-1-26 19:47:11；最远的留言时间为：2017-6-8 17:31:20，时间间隔为 962 天。

挖掘所有课题，发现 $10+Y-0.5N$ 取值最大为 2107。因此，我们定义：经过 962 天后，热度应下降 2107。经过 $962/2$ 天后，关注度下降 $2107/16$，据此可列出方程为：
$$\{\begin{array}{l}a\exp (0)-c=0\\ a\exp \left(\frac{962}{2}b\right)-c=2107/16\\ a\exp (962b)-c=2107\end{array}$$
于是热度下降函数为：
$$-\Delta y=262.125\exp (0.0023\Delta t)-262.125$$

可得热度结果如下：

最后得出前 10 热点问题的所有留言如下：

返回目录

热点描述

这里模仿 google 的 pagerank 算法提出一种 textrank 算法（前人做的）。对于 pagerank，我们将网页视为节点，节点的分数决定了其热度。设节点 $V_i$ 的分数为 $S(V_i)$，设节点 $V_i,V_j$ 存在有向边，则：

$$S\left(V_i\right)=(1-d)+d\times \sum _{V_j\in \mathrm{In}\left({\mathrm{V}}_{\mathrm{i}}\right)}\frac{1}{\left|\mathrm{O}\mathrm{u}\mathrm{t}\left({\mathrm{V}}_{\mathrm{j}}\right)\right|}S\left(V_j\right)$$
$S(V)$的初始化为 1，KaTeX parse error: Can't use function '\]' in math mode at position 9: d\in(0,1\̲]̲ 是一个常数因子，模拟用户点击网页 $V_i$ 的概率。$Out(V_j)$ 表示从 $V_j$出发链接到的节点的所有节点。

将 pagerank 推广到关键句识别中。以句子为节点，设每条句子两两都存在链接，并记 $d$ 为当前句子和其他所有句子之间的平均“间隔”，即处于中心的句子，$d$ 越大。

由于所有句子都存在链接，所以上述公式不能用了。

因此，这是因为 $|Out(V_j)|$ 都相同。因此这里定义两条句子的相似度如下：
$$\begin{array}{r}BM25\left(V_i,V_j\right)={\sum }_{k=1}^{n}IDF\left({\text{ term }}_k\right)\frac{TF\left({\mathrm{term}}_k,V_i\right)(\alpha +1)}{TF\left({\mathrm{term}}_k,V_i\right)+\alpha \left(1-\beta +\beta \frac{|V_i|}{DL}\right)}\end{array}$$

其中 $\alpha ,\beta =1$，$|V_i|$ 为句子 $V_i$ 的单词量，$TF(ter{m}_k,V_i)$ 为单词 $ter{m}_k$ 在句子 $V_i$ 中的词频。$DF$ 为所有句子构成的合成文档中，每一条句子的平均词量，IDF 为逆文本频率，计算公式如下：
$$IDF\left({\text{ term }}_k\right)=\log \left(\frac{S}{DF+1}\right)$$
这里的 $DF$ 为合成文档中，包含单词 $ter{m}_k$ 的句子数，$S$为合成文档中，句子的总数。于是，仿照 pagerank，可得句子的分数如下：

$$\begin{array}{l}S\left(V_i\right)=(1-d)+d\times {\sum }_{V_j\in \mathrm{In}\left(V_{\mathrm{i}}\right)}\frac{BM25\left(V_i,V_j\right)}{{\sum }_{V_k\in \mathrm{Out}\left({\mathrm{V}}_{\mathrm{j}}\right)}BM25\left(V_i,V_k\right)}S\left(V_j\right)\end{array}$$

我们将属于前 10 热度的，同一个话题的所有问题的详细描述，合成一个文档。之后，计算每一条句子的得分，最终找出得分最多的前三条句子作为关键句，即可得出问题描述。

对于时间范围，我们将同一话题的所有问题数据的时间，的最近、最远时间构成时间范围即可。

至于地点和人群…，自己找吧

返回目录

第三问

答复相关性

词向量

首先用关键句提取算法，从留言和答复中提取出三条关键句，之后比较这三条关键句的相关性即可。至于如何比较相关性，我们采用词向量的方法。

什么是词向量呢？词向量是一个单词的上下文。意义相似的词语，其上下文也是相似的。根据这一点，每个词语都存在一
个上下文词向量与之对应，使得统计模型能够根据该单词的词向量，预测到该单词。

上下文向量：

“第八届 泰迪杯 建模 挑战 赛” ， 则 单 词 “建模”的 上下文向量为[第八届， 泰迪杯， 挑战，赛]。当然，所谓上下文向量也是有长度限制的。如果语料库太长，很显然将所有的单词作为上下文是不可行的。这是就需要定义一个窗口，使得以本单词为中心的，左右有限宽度的单词，才构成上下文向量。

one-hot 编码法：

使 用 one-hot 编 码 法， 可 转 换 为 $x=[[1,0,0,0,0{]}^T,[0,1,0,0,0{]}^T,[0,0,0,1,0{]}^T,[0,0,0,0,1{]}^T]$，并与单词 “建模”的 one-hot 编码 $y=[0,0,1,0,0{]}^T$对应。

CBOW 模型 ：

上一小节我们知道，语料库每一个单词的 onehot 向量 $y_i$，都对应一个或多个上下文向量 $x_i$。因此，若以 $x_i$ 为输入，以 $y_i$ 为输出，就可以训练一个深度学习模型了，其中比较著名的就有 CBOW 模型。CBOW 模型实际上是一个三层的神经网络模型：

其中 $x_i,i\in \{1,2,\cdot \cdot \cdot ,C\}$ 为单词 one-hot 编码后的列向量， $C$ 取决于窗口的大小。设窗口大小为 $m$, 则 C = $2m$。矩阵 $W\in R^{n\times |V}|$ 为 CBOW 网络的输入层到隐藏层的权重矩阵， $W^{\prime }\in R^{|V|\times n}$ 为隐藏层到输出层的权重矩阵。其中 $n$ 为隐藏层的节点数。 $|V|$ 为语料库中单词“种”数。 $W$ 的第 $i$ 个列向量为语料库中第 $i$ 个单词的输入词向量，记为 $w_i$；类似地， $W^{\prime }$ 中第 $j$ 个行向量为第 $j$ 个单词的输出词向量，记为 $w_j^{\prime }$。由于输入词向量离输入层近，所以在应用中，一般抛弃输出词向量，将 输入词向量作为单词的词向量模块使用。

因此，要求出每一个单词的词向量，求出 CBOW 模型的参数是关键。本质上，CBOW 模型也是一个机器学习模型。设 COW 模型的预测为 $\hat{y}$，定义损失函数如下：
$$H(\hat{y},y)=-\sum _{j=1}^{|V|}{y}_i\log \hat{y}$$
这里，我们还是使用 SHANG05 的开源语料库 MSR 作为训练集。训练出一个隐藏层节点为 100 的 CBOW 模型，从而得出每一个单词的词向量。

返回目录

相似度计算

首先对于留言和答复，分别提取出 5 条关键句。然后，计算这 5 vs 5 的两两句的最大相关性作为最终的相关性。

那么，如何计算两句的相关性呢？首先对句中的每一个词，他们的词向量取平均，从而得到一个稠密向量 $s_i$ ，对于另一句也一样，得出 $s_j$，然后计算两个向量夹角的余弦值，作为两句的相似度，如下所示：
$$\cos \theta =\frac{{\mathbf{s}}_i\cdot {\mathbf{s}}_j}{\left|{\mathbf{s}}_i\right|\times |{\mathbf{s}}_j\mid }$$

最后得出的结果如下：

返回目录

答复完整性（代码没有实现）

本人理解的答复完整性，指的是语句是否通顺（可能有些歧义，因此本人就不实现了）。但句子是否通顺，似乎也带有非常大的主观性。因此，本人采用一种类似于局部完整性的方法去评价，句子的通顺性，具体如下：

为了评价答复的完整性与可理解性，本文将以相邻两个汉字为单位，逐一扫描留言答复。并匹配当前扫面是否存在于二元语法字典¹中，从而判断留言的局部完整性，和可理解性。计算公式如下：
$$C=1-N_{no}/L$$
其中 $N_{no}$ 为无法匹配的，句子中的二元对。$L$ 为句子中二元对的数量。

代码和数据

（关注一下呗 ）代码和文档：https://gitee.com/zhuowoodbird/teddy_cup_C_2020

什么大佬好话就别说了，记得一键三连就可以了，咱们别做伸手党哈… 博主这厢有礼

很想写 2021 的泰迪杯 C 题，但怕呀… 所以希望这篇文章的解题代码和思路，能够为大家有一些参考作用吧

若果大家觉得这篇文章对大家有帮助，请不要吝啬您的点赞

---

1. 这个字典 HanLP 有自带的 ↩︎