零基础入门NLP赛事 - Task1 赛题理解
前言
第一次参加比赛，请多多指教！
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、**、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。
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, ‘**’: 12, ‘星座’: 13}
评测指标
评价标准为类别f1_score的均值，结果越大越好。
解题思路
1. 特征提取
- Word2Vec
- TfidfVectorizer+基于TruncatedSVD的LSA
- Countvectorizer+基于TruncatedSVD的LSA
2. 模型选择
- RandomForest
- AdaBoost
- GradientBoosting
- lightgbm
- xgboost
3. 调参选择
Hyperopt（自动贝叶斯调参）
4. 模型融合
StackingCVClassifier