零基础入门NLP - 新闻文本分类 方案整理

以下资料整理自比赛论坛，感谢这些无私开源的选手们，以下是整理TOP5方案的主要思路和模型，以便大家学习

1. 零基础入门NLP - 新闻文本分类比赛方案分享 nano- Rank1

代码：https://github.com/kangyishuai/NEWS-TEXT-CLASSIFICATION?spm=5176.12282029.0.0.36fa49f5Gm3dpr

主要思路：

• 由于文本长度较大，而Bert输入文本长度不能超过512（如果是自己预训练的Bert，长度可以不局限于512），所以需要进行文本截断。
• 文本截断后，输入大小为[batch_size, max_segment, maxlen]，其中batch_size是批大小，max_segment是截断后的最大句子数量，maxlen是每个句子的最大长度。
• 将输入reshape后输入Bert，得到大小为[batch_size*max_segment, maxlen]的句向量。
• 将句向量reshape后输入注意力层。
• 最后接全连接层进行分类。
• 融合：预测就是将多个模型预测结果计算算术平均即可。

1. 零基础入门NLP-新闻文本分类比赛 TOP2参赛经验、源码分享

代码：https://github.com/ZhouNLP/tcnlp

主要思路： 尝试了NLP文本分类任务中常用的思路，并且给出了实验中的一些总结，给我比较大的启发的地方是： RNN网络，最大的亮点就是seq_len使用了2000个字符。令人震惊的原因有2点：一是长文本分类不通过HAN网络，而是单纯增加截取字符的长度是有用的；我们被bert等预训练模型限制了思维方式，对RNN来说，将seq_len增加到2000甚至更长是比较轻松的，但这对预训练模型来说是不可想象的。因为预训练模型的参数太多了，占用了太多内存。相比Bert模型的资源消耗，这种方法还是值的尝试的。

• TFIDF：TfIdfVectorizer+LGB模型
• FastTEXT
• Text-CNN
• Text-RNN
• Bert
• LSTM

1. NLP新闻文本分类-rank3+经验分享

主要模型：

• CNN：用textcnn做了baseline，文本截断长度为3000。并在此基础上稍作修改进行了尝试。如在池化层后拼接上LSTM或者GRU，效果略有提升，但在选择LSTM或者GRU的问题上，两者差别不大。同时，卷积核的窗口大小以及数量，提升较为有限。在此，我最终取得是窗口大小从2到6，数量分别为128。在我的实验中大概分数是0.87-0.90之间浮动。
• RNN：文本的截断长度依然为3000。模型则是双向的GRU。在固定数据切分，学习率，batchsize之后，效果比LSTM略好。并在此基础上尝试提取更多的特性。如在双向GRU后接上最大池化和平均池化，并拼接上word-embedding层的池化等等。总体在0.95-0.96。尝试了利用比赛数据进行词向量的预训练比如skipgram和fasttext，尝试分别使用，也尝试加上权重相加，但是效果都相比加入前差。
• Bert:由于比赛数据是匿名数据，因此bert需要自己进行预训练;bert模型微调

1. Rank6 NLP新闻文本分类-GitHub代码+经验分享@还是叫我小狐狸吧

代码：https://github.com/Warrenheww/rank6_NLP_newstextclassification

所用模型及总体效果:

• 基于tfidf的特征化，lgb做到了单模型0.950，K-fold交叉预测stacking 0.953+。MLP模型相对较差，只能做到0.949左右，但有进步空间，后期转战Bert，没有继续深究。代码在GitHub已发布。
• 基于Bert的预测总体趋势是预训练步数越多，效果越好，最后采用60万步的预训练模型。B榜最终能达到单模型0.9667的效果。粗略分析，最终排名6很大原因是模型多样性不足，对预测结果进行最终投票时各output之间差异性不够，提升有限
• 基于不同模型，对预测结果进行stacking投票，可以对预测准确率有显著提高。
• 对数据处理伪标签处理在此类型分类任务中帮助很大，但是单纯基于训练集的伪标签容易导致模型泛化能力大幅下降。

1. NLP新闻文本分类-Rank5+经验分享@goldgaruda

• LightGBM：刚开始入手用的lgbm在跑，baseline 是93.3+。当时第一次跑完就进入了前100。 之后又用了模型集成，5折验证，来到了94.96左右。进一步调参，去干扰项，优化模型集成等方法，最后LightBGM可以到95.53%，第一次进了第一页排行榜。不过也发现这个模型基本到尽头了，于是放弃转向了其他复杂的模型。
• Bert：天池z正好提供了一个bert baseline的模型，正好可以用来跑一下。默认的参数和配置并不太好。第一次跑完也就是普通的LightGBM差不多。于是先调参。改了学习率和衰减率，之后原始模型到了接近96%就停滞不前了。于是意识到可能需要自己重新训练bert，天池给的bert词汇不足只有5300多个。所以自己重新按照google bert小组给的预训练办法开始搞。刚开始贪大，想搞个base的。后来发现搞出来后，机子跑不动，一个epoch 好几个小时。退而求其次，选了个6层的加强版mini bert来跑。于是经过调参优化，之后单模型到了96.6+。
• Ensemble：最后单模型做完就做模型集成了。由于没有太多时间搞其他模型，如果stacking的话，要训练20个不同的bert在数据集上。我就偷了个懒，把bert达到一定精度之后的模型都保存下来，做了一个snapshot ensemble。这样一次我就能得到很多个bert。大致在第三个epoch之后，精度就上去了，都能到96%以上。 另外我还把lgbm也拿来集成了，把每次bert对训练集的预测作为输入传给lgbm，真实值作为lgbm标签。这样测试的时候，把bert最测试集的输入作为lgbm的输入，lgbm基于bert的预测再给一个结果。这样lgbm也能有96.5+%。 通过几次集成测试，最后在A榜有96.9%, B榜出来时候也97%左右。