NLP——天池新闻文本分类赛题理解
NLP——天池新闻文本分类赛题理解
目录
1.赛题理解
2.学习目标
3.赛题数据及标签
4.数据评测指标与读取
5.解题思路引导
1.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。
2.学习目标
理解赛题背景与赛题数据
完成赛题报名和数据下载,理解赛题的解题思路
3.赛题数据及标签
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。
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}
4.数据评测指标与读取
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。
使用Pandas库完成数据读取操作,并对赛题数据进行分析。
5.解题思路引导
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。
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。
- [不知pandas为何物的纯金小白]Datawhale零基础入门NLP赛事--天池新闻文本分类--Day1理解赛题
- 【学习笔记】Datawhale零基础入门NLP赛事--天池新闻文本分类--Day2数据理解与数据分析
- Datawhale零基础入门NLP——新闻文本分类(一)熟悉赛题(天池比赛)
- 天池新闻文本分类-01赛题理解
- 阿里天池NLP入门——新闻文本分类(3)基于机器学习的文本分类
- 零基础入门NLP(天池学习赛)Task3 基于机器学习的文本分类
- 天池新闻文本分类-04 基于深度学习的文本分类1
- DataWhale 零基础入门NLP赛事-新闻文本分类 TASK2 数据读取与数据分析
- 阿里天池NLP入门——新闻文本分类(2)数据读取与数据分析
- 天池NLP学习赛(4)基于深度学习的文本分类(fastText)
- 阿里天池NLP入门——新闻文本分类(4)基于深度学习的文本分类1
- 原创 零基础入门NLP(天池学习赛-Task4 基于深度学习的文本分类1
- 天池NLP学习赛(1)赛题理解
- 天池新闻文本分类-02数据读取与数据分析
- 天池新闻文本分类-03基于机器学习的文本分类
- 阿里天池NLP入门——新闻文本分类(5)基于深度学习的文本分类2
- NLP:使用深度学习进行文本分类的一些主要模型
- NLP实战 -中文文本分类问题:THUCNews数据集
- NLP实践四:朴素贝叶斯实现文本分类
- NLP概述和文本自动分类算法详解