taurids/news_text_classification

本次新人赛是Datawhale与天池联合发起的0基础入门系列赛事第三场 —— 零基础入门NLP之新闻文本分类挑战赛。赛题以自然语言处理为背景，要求选手根据新闻文本字符对新闻的类别进行分类，这是一个经典文本分类问题。通过这道赛题可以引导大家走入自然语言处理的世界，带大家接触NLP的预处理、模型构建和模型训练等知识点。

零基础入门NLP-新闻文本分类

🎯比赛地址
文本分类的任务是将给定的文本划分到事先规定的文本类别。

• 赛题难度
  • 匿名数据 + 长文本 + 类别不均衡
• 解题思路：
  • 思路1：TF-IDF提取特征 + SVM分类
  • 思路2：训练FastText词向量并分类
  • 思路3：训练Word2Vec词向量 + TextCNN模型分类
  • 思路4：训练BERT词向量并分类
  • 思路5：BERT分类 + 统计特征的树模型
  • 思路6：......
    

1. 赛题中每个新闻包含的字符个数平均为1000个，还有一些新闻字符较长；
2. 赛题中新闻类别分布不均衡，科技类新闻样本量接近4万，星座类新闻(13)样本量不到1千；
3. 赛题总共包括7000-8000个字符。

🛴利用BERT + 全局平均池化进行新闻文本分类

• 配置：Tensorflow2.0+ 、Transformers库v3.0.2、bert-base-chinese

🛴利用BERT+BI-LSTM进行新闻文本分类

• 配置：torch1.4.0、Transformers库v3.0.2、预训练BERT 提取码：tmp5

🍣专题收集

• 专题一 比赛概览、总结及问题收集
• 专题二 Baseline进化、总结及问题收集