NLP新闻文本分类学习赛 - Task1 赛题理解
文章目录
- 一、赛题理解
- 二、赛题数据
- 三、数据标签
- 四、评测指标
-
- 4.1 四个基本概念 TP FP FN TN
- 4.2 召回率Recall
- 4.3 精确率 Precision
- 4.4 F1 score
- 4.5 Micro-F1和Macro-F1
- 五、数据读取
- 六、解题思路
- 七、参考文献
本章将会对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。
一、赛题理解
- 赛题名称：零基础入门NLP之新闻文本分类 link
- 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。
二、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。
三、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}
四、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。
分类问题的几个评价指标：
Precision、Recall、F1-Score、Micro-F1、Macro-F1
4.1 四个基本概念 TP FP FN TN
True Positive 真阳性：预测为正，实际也为正
False Positive 假阳性：预测为正，实际为负
False Negative 假阴性：预测与负、实际为正
True Negative 真阴性：预测为负、实际也为负。
4.2 召回率Recall
R e c a l l = T P T P + F N {\mathop{\rm Re}\nolimits} call = \frac{ {TP}}{ {TP + FN}} Recall=TP+FNTP
4.3 精确率 Precision
P r e c i s i o n = T P T P + F P {\rm{Precision = }}\frac{ {TP}}{ {TP + FP}} Precision=TP+FPTP
召回率（查全率）表达的是模型找到数据集中相关实例的能力
精确度（查准率）表达模型找到的数据点中实际相关的比例。
一般召回率越高，精确度越低。
作为预测者，我们当然是希望，Precision和Recall都保持一个较高的水准，但事实上这两者在某些情况下有矛盾的。比如极端情况下，我们只搜索出了一个结果，且是正确的，那么Precision就是100%，但是Recall就很低；而如果我们把所有结果都返回，那么比如Recall是100%，但是Precision就会很低。因此在不同的场合中需要自己判断希望Precision比较高或是Recall比较高，此时我们可以引出另一个评价指标—F1-Score(F-Measure)。
4.4 F1 score
F1分数（F1 Score），是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的精确率和召回率。F1分数可以看作是模型精确率和召回率的一种加权平均，它的最大值是1，最小值是0。
数学定义：F1分数（F1-Score），又称为平衡F分数（BalancedScore），它被定义为精确率和召回率的调和平均数。
F 1 = 2 ⋅ P r e c i s i o n ⋅ R e c a l l P r e c i s i o n + R e c a l l {F_1} = 2 \cdot \frac{ {Precision \cdot Recall}}{ {Precision + Recall}} F1=2⋅Precision+RecallPrecision⋅Recall
更一般的，我们定义 F β F_β Fβ分数为：
F β = ( 1 + β 2 ) ⋅ P r e c i s i o n ⋅ R e c a l l β 2 ⋅ P r e c i s i o n + R e c a l l {F_β} = (1+β^2) \cdot \frac{ {Precision \cdot Recall}}{ {β^2 \cdot Precision + Recall}} Fβ=(1+β2)⋅β2⋅Precision+RecallPrecision⋅Recall
除了F1分数之外，F0.5分数和F2分数，在统计学中也得到了大量应用，其中，F2分数中，召回率的权重高于精确率，而F0.5分数中，精确率的权重高于召回率。
4.5 Micro-F1和Macro-F1
在一个多标签分类任务中，可以对每个“类”，计算F1，显然我们需要把所有类的F1合并起来考虑。
这里有两种合并方式：
第一种计算出所有类别总的Precision和Recall，然后计算F1，这种方式被称为Micro-F1微平均。
第二种方式是计算出每一个类的Precison和Recall后计算F1，最后将F1平均，这种方式叫做Macro-F1宏平均。
五、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。
六、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。
七、参考文献
Datawhale Task1 赛题理解
F1 score 参考1
F1 score 参考2