1 Task1 赛题理解
本文包含：赛题说明和解题准备与解题思路。
赛题原网址
1.1 赛题说明
- 赛题目标：通过本赛题入门NLP，初步接触NLP的预处理、模型构建和模型训练等知识点。
- 赛题任务：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。
1.1.1 赛题数据
比赛数据的文本按照字符级别进行了匿名处理。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, ‘彩票’: 12, ‘星座’: 13}
1.1.2 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。
可以通过sklearn完成f1_score计算：
from sklearn.metrics import f1_score
y_true = [0, 1, 2, 0, 1, 2]
y_pred = [0, 2, 1, 0, 0, 1]
f1_score(y_true, y_pred, average='macro')
1.1.3 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。
1.1.4 解题思路
分析：本质是文本分类问题，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，不可直接使用中文分词等操作，这是本赛题难点所在。
故本赛题难点是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。
以下为Datawhale教程给出的几种参考解题思路：
1 思路一：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。
2 思路二：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。
3 思路三：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。
4 思路四：Bert词向量
Bert是高配款的词向量，具有强大的建模学习能力。