Task1 赛题理解

Task1 赛题理解

1.赛题理解

1.赛题名称：零基础入门NLP之新闻文本分类。
2.赛题目标：接触NLP的预处理、模型构建和模型训练等知识点。
3.赛题任务：以自然语言处理为背景，对新闻文本进行分类，是一个典型的字符识别问题。

1.1 学习目标

理解赛题背景及赛题数据，理解赛题的解题思路

1.2 赛题数据

赛题数据为新闻文本，按照字符级别进行匿名处理。一共有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。

1.3 数据标签

数据集中标签对应关系为：{‘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}

1.4 评测指标

评价标准为类别f1_score的均值，将结果与实际测试集的类别进行对比，结果越大越好。
下面解释f1_socre的意义:
定义：f1_socre是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的精确率和召回率。F1分数可以看作是模型精确率和召回率的一种调和平均，它的最大值是1，最小值是0。
四个基本概念：
TP、True Positive 真阳性：预测为正，实际也为正
FP、False Positive 假阳性：预测为正，实际为负
FN、False Negative 假阴性：预测与负、实际为正
TN、True Negative 真阴性：预测为负、实际也为负。
精确率公式：
precison=TP/(TP+FP)，计算预测样本中，有多少是被正确预测的。
召回率公式：
recall=TP/(TP+FN)，计算原先实际样本，有多少样本被正确预测。
当这两个指标发生冲突时，我们很难在模型之间进行比较，比如：

解决这个问题可以使用f1_score。
f1_socre公式：

1.5 数据读取

使用Pandas库完成数据读取操作，并对数据进行分析。

1.6 解题思路

赛题思路分析：该赛题本质上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，这是一个难点。
文本数据是一种典型的非结构化数据，可能涉及到特征提取和分类模型两个部分，以下是一些解题思路：
思路一：TF-IDF + 机器学习分类器
使用TF-IDF对文本提取特征，后续可使用SVM、LR或XGBoost分类器等进行分类。
思路二：FastText
FastText是Facebook开发的一款快速文本分类器，提供简单而高效的文本分类和表征学习的方法。
思路三：WordVec + 深度学习分类器
进阶款的词向量，通过构建深度学习分类完成分类。深度学习的网络结构可选择TextCNN、TextRNN或BiLSTM。
思路四：Bert词向量
高配款的词向量，具有强大的建模学习能力。

1.7 总结

初步理解了赛题以及数据集意义，总结就是一个分类问题，一共有14种类别，我们需要训练模型来对测试样本进行分类，跟真实的结果进行比对得到一个F1分数，根据这个指标来判断模型的效果如何。第一天就解除了之前没听过的一些名词，比如TF-IDF，FastText和Bert等，这些都是NLP方向会用到的一些工具和算法，希望日后在实践的过程中慢慢理解。