目录
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。
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。
数据标签
处理后的赛题训练数据如下：
| label | text |
|---|---|
| 6 | 57 44 66 56 2 3 3 37 5 41 9 57 44 47 45 33 13 63 58 31 17 47 0 1 1 69 26 60 62 15 21 12 49 18 38 20 50 23 57 44 45 33 25 28 47 22 52 35 30 14 24 69 54 7 48 19 11 51 16 43 26 34 53 27 64 8 4 42 36 46 65 69 29 39 15 37 57 44 45 33 69 54 7 25 40 35 30 66 56 47 55 69 61 10 60 42 36 46 65 37 5 41 32 67 6 59 47 0 1 1 68 |
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, '彩票': 12, '星座': 13}
____________________________________________________________________________
思路
1. 看到题目脑子里跳出来的第一个解决方案即为使用fasttext来做文本分类，不管text是否加密过，其原理还是构造词向量，配合监督学习来实现文本分类标签预测，只不过在本题中词向量不是传统意义上的词语，而是被加密过的数字字符串，但原理是一样的。fasttext较word2vec更方便的一点在于它使用的类CBOW模型，word2vec预测中间词，而fasttext预测的直接就是它的标签。
2. 计算TF-IDF值，配合SVM分类器进行分类（TF-IDF这玩意儿太常见了，计算每篇文档所有词语的TF-IDF值，然后构造词向量，然后其实我也不知道然后怎么搞只是猜测需要一个分类器来实现，Datawhale提示说是用机器学习分类器，我本人对这方面不太熟悉，还是先去研究一波吧）。