零基础⼊⻔NLP- 新闻⽂本分类学习笔记 Datawhale 零基础入门NLP - Task01̀: 赛题理解 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
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。
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
思路2:FastText
思路3:WordVec + 深度学习分类器
思路3:WordVec + 深度学习分类器
思路4:Bert词向量