AI Challenger2018情感分析赛道亚军PPT分享

各位小伙伴中午好~

不知不觉走到2018年的尾声啦0 0

咱们赛博智能公众号也开通了半年有余。在这半年里，我们共计发布了科研成果类推送16篇，其他类型推送22篇，关注人数已达四位数。

感谢一路走来各位朋友的帮助与支持，抱拳へ

祝大家在新的一年里万事如意，科研顺利哦(〃'▽'〃)

小编

「AI Challenger 全球 AI 挑战赛」是面向全球人工智能人才的开源数据集和编程竞赛平台，首届 AI Challenger 全球 AI 挑战赛于 2017 年举办。AI Challenger 2018 由创新工场、搜狗、美团点评、美图公司联合主办。今年有上万支团队参赛， 覆盖 81 个国家、1100 所高校、990 家公司。

2018年各赛道参赛队与提交情况

图源 | leiphone.com

竞赛成果

2018年12月19日，第二届AI Challenger全球AI挑战赛落下帷幕，中科院电子所赛博智能团队的张鸿志（队名：do something）参与了细粒度用户评论情感分析赛道的竞赛，并在总决赛中获得亚军。

荣誉奖杯

总结与体会

通过对整个比赛总结和分析，我们将整个模型中较为有效的策略概括为以下几点：

多任务学习：入围决赛的四支队伍均采用了多任务建模方法。对于该任务，采用多任务建模来避免分别训练20个分类器，是模型快速迭代的关键。在多任务学习框架下，需要注意共享和独占参数数目的权衡。在实验中我们发现将SRU/GRU/LSTM层设置为共享层、特征抽取与分类层设置为独占层，可获得一个不错的基线模型。

SRU：在上下文建模中，较LSTM、CNN和Transformer，N-BiSRU也是一个不错的选择（if not better）。我们的模型训练一个epoch需要5-6分钟，同等参数规模的GRU模型需要13分钟左右（GPU:1080ti），而实际上GRU模型需要更多参数才能收敛到好的结果。

Dropwords：Dropwords是一种简单有效的数据增强方法。

阈值调整：在竞赛中，针对不平衡数据集，调整分类阈值是一个简单有效的策略。

ToDo：进一步探索ELMO和BERT等预训练方法在细粒度情感分析任务上的作用

我们在这里分享竞赛答辩PPT，以便大家交流。

作者简介

张鸿志，博士生，2014年由吉林大学保送至中国科学院电子学研究所直博，研究方向包括基于深度学习的知识图谱问答、文本问答及信息抽取等。

作者：张鸿志

编辑：王鑫沂

尹文昕