天池NLP学习赛（1）赛题理解

天池NLP学习赛（1）赛题理解

题目

题目类型:新闻文本分类(字符识别问题)链接

数据:
赛题数据为新闻文本，并按照字符级别进行匿名处理，数字编码形式呈现。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。

评价标准：f1_score均值

baseline

1.做了简单EDA，词条的描述性统计
2.用CNN做了初步的分类（可以考虑调节网络、调节参数）

思路

（其实我啥也不会CNN填充完直接卷不香吗…但官网这么说了ORZ）

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。

既然官网上这么说了就要学习的内容:

词向量&文本特征咋整
学习TF-IDF/FastText/WordVec/Bert