前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >北航学长的NLP赛事教程!

北航学长的NLP赛事教程!

作者头像
Datawhale
发布2022-10-31 19:45:18
4210
发布2022-10-31 19:45:18
举报
文章被收录于专栏:Datawhale专栏Datawhale专栏

Datawhale干货

作者:阿水,北京航空航天大学,Datawhale成员

赛事背景

在人工智能领域的学习中,研读有关文献是非常重要的学习途径,而如何在汗牛充栋的论文库中,高效快速的检索到相关重要文献,就成为知识学习首先要解决的难点。

完整代码实践:

https://xj15uxcopw.feishu.cn/docx/doxcnUDk1pzzvBWi5AIfBGBpyne

赛题任务

机器通过对论文摘要等信息的理解,划分论文类别。具体输入输出示例如下:

  • 输入:论文信息,格式如下图
  • 输出:电气

实践思路

本赛题是一个典型的文本分类任务。由于文本数据是典型的非结构化数据,此类实践的处理通常涉及到 特征提取分类模型 两部分。常见的思路有两种:基于机器学习的思路和基于深度学习的思路。

可以先尝试基于机器学习的思路:TF-IDF + 机器学习分类器,其中分类器选择SGD线性分类器。SGD是线性分类器的一种,可以理解为逻辑回归+随机梯度下降,适合处理文本TF-IDF编码后的稀疏场景。

实践代码

具体代码如下:

代码语言:javascript
复制
#安装相关依赖库 如果是windows系统,cmd命令框中输入pip安装,参考上述环境配置
#!pip install sklearn
#!pip install pandas
#---------------------------------------------------
#导入库
import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import SGDClassifier
from sklearn.model_selection import cross_val_score

#----------------数据探索----------------
#数据预处理
#加载训练集
train_df = pd.read_csv('./基于论文摘要的文本分类与查询性问答公开数据/train.csv', sep=',')
#加载测试集
test_df = pd.read_csv('./基于论文摘要的文本分类与查询性问答公开数据/test.csv', sep=',')

#EDA数据探索性分析
train_df.head()

test_df.head()

#----------------特征工程----------------
#将Topic(Label)编码
train_df['Topic(Label)'], lbl = pd.factorize(train_df['Topic(Label)'])

#将论文的标题与摘要组合为 text 特征
train_df['Title'] = train_df['Title'].apply(lambda x: x.strip())
train_df['Abstract'] = train_df['Abstract'].fillna('').apply(lambda x: x.strip())
train_df['text'] = train_df['Title'] + ' ' + train_df['Abstract']
train_df['text'] = train_df['text'].str.lower()

test_df['Title'] = test_df['Title'].apply(lambda x: x.strip())
test_df['Abstract'] = test_df['Abstract'].fillna('').apply(lambda x: x.strip())
test_df['text'] = test_df['Title'] + ' ' + test_df['Abstract']
test_df['text'] = test_df['text'].str.lower()

#使用tfidf算法做文本特征提取
tfidf = TfidfVectorizer(max_features=2500)

#----------------模型训练----------------

train_tfidf = tfidf.fit_transform(train_df['text'])
clf = SGDClassifier()
cross_val_score(clf, train_tfidf, train_df['Topic(Label)'], cv=5)

test_tfidf = tfidf.transform(test_df['text'])
clf = SGDClassifier()
clf.fit(train_tfidf, train_df['Topic(Label)'])
test_df['Topic(Label)'] = clf.predict(test_tfidf)

#----------------结果输出----------------
test_df['Topic(Label)'] = test_df['Topic(Label)'].apply(lambda x: lbl[x])
test_df[['Topic(Label)']].to_csv('submit.csv', index=None)

上分思路

上述代码详细讲解了基于机器学习的思路,若想进阶实践,可考虑尝试基于深度学习来进行实践,提供以下几种常见解题思路供大家参考:

  • 思路1: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2: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3:Bert词向量:Bert是高配款的词向量,具有强大的建模学习能力。
本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2022-07-14,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 Datawhale 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 赛事背景
  • 赛题任务
  • 实践思路
  • 实践代码
  • 上分思路
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档