在datawhale组织中报名学习:入门NLP(以新闻文本分类赛事进行学习)。
目录:
- 1.赛题理解
- 2.赛题目标
- 3.赛题数据
- 4.数据标签
- 5.评测指标
- 6.数据读取
- 7.解题思路
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:通过这道赛题走入自然语言处理的世界,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.赛题目标
通过自然语言处理的方法,对新闻文本进行分类
3.赛题数据
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。
4.数据标签
处理后的赛题训练数据:
5.评测指标
评价标准为类别f1_score的均值,结果越大越好。
其中precision为精确率
recall为召回率
其中:
TP(True Positive):正样本预测为正样本的个数
FP(True Positive):将负样本预测为正样本的个数
FN(True Positive):将正样本预测为负样本的个数
6.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。
7.解题思路
赛题思路分析
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。进行分类可通过四种方法:
思路1:TF-IDF + 机器学习分类 — 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。