以前没接触过ASC、TSC领域，最开始纠结这是单分类还是多分类问题，走了一些弯路。最终我们回到ASC赛道上，根据直觉，我们设计了一个基于memory的lstm-attention模型，复赛B榜线上在0.69左右，融合最终得分0.70，单模型结构图如下：
后面时间比较紧张，复现今年ASC论文的代码效果都不好，最终排名6/1701，思路如同代码所写，很简单。
原始数据可在比赛数据处下载，由于这次我们问题建模方式比较多，数据预处理代码也比较多，所以我会上传一份处理好的数据(包括处理好的Bert特征和百度百科词向量)放在百度云盘，下载后请解压放在data/目录下。
ELMo哈工大基于pytorch的pretrain版本和我用tf pretrain训练集的效果都不好，但是我也保留了tf pretrain版本代码。
Bert我们没有弄finetune，直接抽取的特征，效果和百度百科词向量相当。
若有任何想法可以提issue或者pull request，也可以微信与我直接讨论。希望大家一起学习进步。
| 环境/库 | 版本 |
|---|---|
| Ubuntu | 16.04.5 LTS |
| python | 3.6 |
| jupyter notebook | 4.2.3 |
| tensorflow-gpu | 1.9.1 |
| numpy | 1.14.1 |
| pandas | 0.23.0 |
| matplotlib | 2.2.2 |
| tqdm | 4.24.0 |
这里最重要的就是我们用的Cudnn版本的lstm，所以需要tensorflow版本大于1.4.0，相应的cuda版本不能用8.0，需要9.0及以上。
都写在jupyter里了，运行src/preprocess/EDA.ipynb生成各种文件，可用看看思路，但是建议直接下载云盘处理好的结果。
数据预处理好即可用直接train模型，单GPU运行，模型请参考src/config.py自选，参数名含义请参考src/train_predict.py：
python train_predict.py --gpu 7 --model aspv0 --feature word --epoch 20 --bs 128 --oe
python stacking.py --gpu 1 --data_type 3
这里是stacking和pesudo label一起做了，请修改代码自选是否用伪标签。
这里数据集比较合适，伪标签有一定提分作用。
修改src/pack_sub_dt2.py里对应stacking生成的pre_path概率结果路径，运行
python python pack_sub_dt2.py
生成提交结果。
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent