Datawhale零基础入门NLP赛事 - Task1 赛题理解

赛题理解

• 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。
• 赛题链接：https://tianchi.aliyun.com/competition/entrance/531810/introduction

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。

数据标签

处理后的赛题训练数据如下：

image.png

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：赛题是一个文本分类的问题，但是因为给出的数据是匿名化的，没有办法使用长谷id中文分词、标注等方法。

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。

我们打算依照下面的步骤，从建立baseline到比较先进的模型，逐步完善效果。

• 步骤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。

• 步骤2：FastText

FastText是经典的文本分类利器，利用Facebook提供的FastText工具，可以快速构建出分类器。

• 步骤3：WordVec + 深度学习分类器

比对Skip-gram和FastText有一定相似性，这里考虑使用Glove做词向量，下游使用深度学习的模型进行训练分类。深度学习分类的网络结构可以选择TextCNN、TextRNN或者BiLSTM。

• 步骤4：Bert词向量

在步骤3中选取效果最好的深度学习分类器，将特征提取考虑bert系列的模型，具体如何结合bert使用还需要考虑。