Kaggle Jigsaw文本分类比赛方案总结

2023-11-23 04:50

本文主要是介绍Kaggle Jigsaw文本分类比赛方案总结,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Kaggle Jigsaw文本分类比赛方案总结

公众号: ChallengeHub

 

以下资源来自国内外选手分享的资源与方案,非常感谢他们的无私分享

1、比赛简介

一年一度的jigsaw有毒评论比赛开赛了,这次比赛与前两次举办的比赛不同,以往比赛都是英文训练集和测试集,但是这次的比赛确是训练集是前两次比赛的训练集的一个组合,验证集则是三种语言分别是es(西班牙语)、it(意大利语)、tr(土耳其语),测试集语言则是六种语言分别是es(西班牙语)、it(意大利语)、tr(土耳其语),ru(俄语)、pt(葡萄牙语)、fr(法语)。
--kaggle的Jigsaw多语言评论识别全球top15比赛心得分享

2、题目分析

这个比赛是一个文本分类的比赛,这个比赛目标是在给定文本中判断是否为恶意评论即01分类。训练数据还给了其他多列特征,包括一些敏感词特征还有一些其他指标评价的得分特征。测试集没有这些额外的特征只有文本数据。

通过比赛的评价指标可以看出来,这个比赛不仅仅是简单的01分类的比赛。这个比赛不仅关注分类正确,还关注于在预测结果中不是恶意评论中包含敏感词和是恶意评论中不包含敏感词两部分数据的得分。所以我们需要关注一下这两类的数据。可以考虑给这两类的数据赋予更高的权重,更方便模型能够准确的对这些数据预测正确。

文本统计特征如下:

词云展示


更多有趣的数据分析大家可以看下:
https://www.kaggle.com/nz0722/simple-eda-text-preprocessing-jigsaw

 

3、第三名方案解析

  • 代码仓库:https://github.com/sakami0000/kaggle_jigsaw

  • 方案帖子:https://www.kaggle.com/c/jigsaw-unintended-bias-in-toxicity-classification/discussion/97471#latest-582610

4、模型1 LstmGruNet

模型如其名,作者主要基于LSTM以及GRU两种序列循环神经网络搭建了文本分类模型

class LstmGruNet(nn.Module):def __init__(self, embedding_matrices, num_aux_targets, embedding_size=256, lstm_units=128,gru_units=128):super(LstmGruNet, self).__init__()self.embedding = ProjSumEmbedding(embedding_matrices, embedding_size)self.embedding_dropout = SpatialDropout(0.2)self.lstm = nn.LSTM(embedding_size, lstm_units, bidirectional=True, batch_first=True)self.gru = nn.GRU(lstm_units * 2, gru_units, bidirectional=True, batch_first=True)dense_hidden_units = gru_units * 4self.linear1 = nn.Linear(dense_hidden_units, dense_hidden_units)self.linear2 = nn.Linear(dense_hidden_units, dense_hidden_units)self.linear_out = nn.Linear(dense_hidden_units, 1)self.linear_aux_out = nn.Linear(dense_hidden_units, num_aux_targets)def forward(self, x):h_embedding = self.embedding(x)h_embedding = self.embedding_dropout(h_embedding)h1, _ = self.lstm(h_embedding)h2, _ = self.gru(h1)# global average poolingavg_pool = torch.mean(h2, 1)# global max poolingmax_pool, _ = torch.max(h2, 1)h_conc = torch.cat((max_pool, avg_pool), 1)h_conc_linear1 = F.relu(self.linear1(h_conc))h_conc_linear2 = F.relu(self.linear2(h_conc))hidden = h_conc + h_conc_linear1 + h_conc_linear2result = self.linear_out(hidden)aux_result = self.linear_aux_out(hidden)out = torch.cat([result, aux_result], 1)return out

5、模型2 LstmCapsuleAttenModel

该模型有递归神经网络、胶囊网络以及注意力神经网络搭建。

class LstmCapsuleAttenModel(nn.Module):def __init__(self, embedding_matrix, maxlen=200, lstm_hidden_size=128, gru_hidden_size=128,embedding_dropout=0.2, dropout1=0.2, dropout2=0.1, out_size=16,num_capsule=5, dim_capsule=5, caps_out=1, caps_dropout=0.3):super(LstmCapsuleAttenModel, self).__init__()self.embedding = nn.Embedding(*embedding_matrix.shape)self.embedding.weight = nn.Parameter(torch.tensor(embedding_matrix, dtype=torch.float32))self.embedding.weight.requires_grad = Falseself.embedding_dropout = nn.Dropout2d(embedding_dropout)self.lstm = nn.LSTM(embedding_matrix.shape[1], lstm_hidden_size, bidirectional=True, batch_first=True)self.gru = nn.GRU(lstm_hidden_size * 2, gru_hidden_size, bidirectional=True, batch_first=True)self.lstm_attention = Attention(lstm_hidden_size * 2, maxlen=maxlen)self.gru_attention = Attention(gru_hidden_size * 2, maxlen=maxlen)self.capsule = Capsule(input_dim_capsule=gru_hidden_size * 2,num_capsule=num_capsule,dim_capsule=dim_capsule)self.dropout_caps = nn.Dropout(caps_dropout)self.lin_caps = nn.Linear(num_capsule * dim_capsule, caps_out)self.norm = nn.LayerNorm(lstm_hidden_size * 2 + gru_hidden_size * 6 + caps_out)self.dropout1 = nn.Dropout(dropout1)self.linear = nn.Linear(lstm_hidden_size * 2 + gru_hidden_size * 6 + caps_out, out_size)self.dropout2 = nn.Dropout(dropout2)self.out = nn.Linear(out_size, 1)def apply_spatial_dropout(self, h_embedding):h_embedding = h_embedding.transpose(1, 2).unsqueeze(2)h_embedding = self.embedding_dropout(h_embedding).squeeze(2).transpose(1, 2)return h_embeddingdef forward(self, x):h_embedding = self.embedding(x)h_embedding = self.apply_spatial_dropout(h_embedding)h_lstm, _ = self.lstm(h_embedding)h_gru, _ = self.gru(h_lstm)h_lstm_atten = self.lstm_attention(h_lstm)h_gru_atten = self.gru_attention(h_gru)content3 = self.capsule(h_gru)batch_size = content3.size(0)content3 = content3.view(batch_size, -1)content3 = self.dropout_caps(content3)content3 = torch.relu(self.lin_caps(content3))avg_pool = torch.mean(h_gru, 1)max_pool, _ = torch.max(h_gru, 1)conc = torch.cat((h_lstm_atten, h_gru_atten, content3, avg_pool, max_pool), 1)conc = self.norm(conc)conc = self.dropout1(conc)conc = torch.relu(conc)conc = self.linear(conc)conc = self.dropout2(conc)out = self.out(conc)return out

6、模型3 LstmConvModel

该模型有LSTM和Convolutional Neural Network搭建

class LstmConvModel(nn.Module):def __init__(self, embedding_matrix, lstm_hidden_size=128, gru_hidden_size=128, n_channels=64,embedding_dropout=0.2, out_size=20, out_dropout=0.1):super(LstmConvModel, self).__init__()self.embedding = nn.Embedding(*embedding_matrix.shape)self.embedding.weight = nn.Parameter(torch.tensor(embedding_matrix, dtype=torch.float32))self.embedding.weight.requires_grad = Falseself.embedding_dropout = nn.Dropout2d(0.2)self.lstm = nn.LSTM(embedding_matrix.shape[1], lstm_hidden_size, bidirectional=True, batch_first=True)self.gru = nn.GRU(lstm_hidden_size * 2, gru_hidden_size, bidirectional=True, batch_first=True)self.conv = nn.Conv1d(gru_hidden_size * 2, n_channels, 3, padding=2)nn.init.xavier_uniform_(self.conv.weight)self.linear = nn.Linear(n_channels * 2, out_size)self.relu = nn.ReLU()self.dropout = nn.Dropout(out_dropout)self.out = nn.Linear(out_size, 1)def apply_spatial_dropout(self, h_embedding):h_embedding = h_embedding.transpose(1, 2).unsqueeze(2)h_embedding = self.embedding_dropout(h_embedding).squeeze(2).transpose(1, 2)return h_embeddingdef forward(self, x):h_embedding = self.embedding(x)h_embedding = self.apply_spatial_dropout(h_embedding)h_lstm, _ = self.lstm(h_embedding)h_gru, _ = self.gru(h_lstm)h_gru = h_gru.transpose(2, 1)conv = self.conv(h_gru)conv_avg_pool = torch.mean(conv, 2)conv_max_pool, _ = torch.max(conv, 2)conc = torch.cat((conv_avg_pool, conv_max_pool), 1)conc = self.relu(self.linear(conc))conc = self.dropout(conc)out = self.out(conc)return out

7、模型4 Bert&GPT2

from pytorch_pretrained_bert import GPT2Model
import torch
from torch import nnclass GPT2ClassificationHeadModel(GPT2Model):def __init__(self, config, clf_dropout=0.4, n_class=8):super(GPT2ClassificationHeadModel, self).__init__(config)self.transformer = GPT2Model(config)self.dropout = nn.Dropout(clf_dropout)self.linear = nn.Linear(config.n_embd * 3, n_class)nn.init.normal_(self.linear.weight, std=0.02)nn.init.normal_(self.linear.bias, 0)self.apply(self.init_weights)def forward(self, input_ids, position_ids=None, token_type_ids=None, lm_labels=None, past=None):hidden_states, presents = self.transformer(input_ids, position_ids, token_type_ids, past)avg_pool = torch.mean(hidden_states, 1)max_pool, _ = torch.max(hidden_states, 1)h_conc = torch.cat((avg_pool, max_pool, hidden_states[:, -1, :]), 1)logits = self.linear(self.dropout(h_conc))return logits

代码获取:
链接:https://pan.baidu.com/s/1JdAe2sWRyuNShVhFF0ZvGg
提取码:lm80
复制这段内容后打开百度网盘手机App,操作更方便哦

8、相关知识点

1 胶囊网络

Capsule Neural 相较于传统神经网络的区别在于,传统 Neuron 每一个 node 输出为一个激活后的具体数值,而经过 Capsule 输出后得到的则是一个向量,乍一看感觉好好输出个数字,为什么要麻麻烦烦输出一个向量。其实这关乎于一个重点就是神经网络状态的表征,输出向量可以更丰富的表达节点提取的特征,甚至也可以其他降低网络层参数数目的目的。因此对于同一个特征,原本 neuron 的时候我们可能需要多个 nodes 来识别,而现在我们只需要一个 vector,用 vector 中的不同维度来记录同一个特征的不同属性。
--慢学NLP / Capsule Net 胶囊网络


论文:Towards Scalable and Reliable Capsule Networks for Challenging NLP Applications
https://www.aclweb.org/anthology/P19-1150.pdf
代码:https://github.com/andyweizhao/NLP-Capsule

 

2 Spatial Dropout

SpatialDropout是Tompson等人在图像领域提出的一种dropout方法。普通的dropout会随机地将部分元素置零,而SpatialDropout会随机地将部分区域置零,该dropout方法在图像识别领域实践证明是有效的。
--Spatial Dropout

当咱们对该张量使用dropout技术时,你会发现普通的dropout会随机独立地将部分元素置零,而SpatialDropout1D会随机地对某个特定的纬度所有置零,以下图所示:

9、更多方案解析

1、kaggle的Jigsaw多语言评论识别全球top15比赛心得分享
https://zhuanlan.zhihu.com/p/338169840
2、kaggle Jigsaw Unintended Bias in Toxicity Classification 金牌rank15分享
https://xuanzebi.github.io/2019/07/20/JUBTC/

欢迎扫码关注ChallengeHub公众号
在这里插入图片描述
欢迎加入ChallengeHub学习交流群
在这里插入图片描述

这篇关于Kaggle Jigsaw文本分类比赛方案总结的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/415459

相关文章

C#使用DeepSeek API实现自然语言处理,文本分类和情感分析

《C#使用DeepSeekAPI实现自然语言处理,文本分类和情感分析》在C#中使用DeepSeekAPI可以实现多种功能,例如自然语言处理、文本分类、情感分析等,本文主要为大家介绍了具体实现步骤,... 目录准备工作文本生成文本分类问答系统代码生成翻译功能文本摘要文本校对图像描述生成总结在C#中使用Deep

Python中连接不同数据库的方法总结

《Python中连接不同数据库的方法总结》在数据驱动的现代应用开发中,Python凭借其丰富的库和强大的生态系统,成为连接各种数据库的理想编程语言,下面我们就来看看如何使用Python实现连接常用的几... 目录一、连接mysql数据库二、连接PostgreSQL数据库三、连接SQLite数据库四、连接Mo

Redis 多规则限流和防重复提交方案实现小结

《Redis多规则限流和防重复提交方案实现小结》本文主要介绍了Redis多规则限流和防重复提交方案实现小结,包括使用String结构和Zset结构来记录用户IP的访问次数,具有一定的参考价值,感兴趣... 目录一:使用 String 结构记录固定时间段内某用户 IP 访问某接口的次数二:使用 Zset 进行

解读Redis秒杀优化方案(阻塞队列+基于Stream流的消息队列)

《解读Redis秒杀优化方案(阻塞队列+基于Stream流的消息队列)》该文章介绍了使用Redis的阻塞队列和Stream流的消息队列来优化秒杀系统的方案,通过将秒杀流程拆分为两条流水线,使用Redi... 目录Redis秒杀优化方案(阻塞队列+Stream流的消息队列)什么是消息队列?消费者组的工作方式每

Git提交代码详细流程及问题总结

《Git提交代码详细流程及问题总结》:本文主要介绍Git的三大分区,分别是工作区、暂存区和版本库,并详细描述了提交、推送、拉取代码和合并分支的流程,文中通过代码介绍的非常详解,需要的朋友可以参考下... 目录1.git 三大分区2.Git提交、推送、拉取代码、合并分支详细流程3.问题总结4.git push

MySQL分表自动化创建的实现方案

《MySQL分表自动化创建的实现方案》在数据库应用场景中,随着数据量的不断增长,单表存储数据可能会面临性能瓶颈,例如查询、插入、更新等操作的效率会逐渐降低,分表是一种有效的优化策略,它将数据分散存储在... 目录一、项目目的二、实现过程(一)mysql 事件调度器结合存储过程方式1. 开启事件调度器2. 创

Kubernetes常用命令大全近期总结

《Kubernetes常用命令大全近期总结》Kubernetes是用于大规模部署和管理这些容器的开源软件-在希腊语中,这个词还有“舵手”或“飞行员”的意思,使用Kubernetes(有时被称为“... 目录前言Kubernetes 的工作原理为什么要使用 Kubernetes?Kubernetes常用命令总

通过C#获取PDF中指定文本或所有文本的字体信息

《通过C#获取PDF中指定文本或所有文本的字体信息》在设计和出版行业中,字体的选择和使用对最终作品的质量有着重要影响,然而,有时我们可能会遇到包含未知字体的PDF文件,这使得我们无法准确地复制或修改文... 目录引言C# 获取PDF中指定文本的字体信息C# 获取PDF文档中用到的所有字体信息引言在设计和出

Python中实现进度条的多种方法总结

《Python中实现进度条的多种方法总结》在Python编程中,进度条是一个非常有用的功能,它能让用户直观地了解任务的进度,提升用户体验,本文将介绍几种在Python中实现进度条的常用方法,并通过代码... 目录一、简单的打印方式二、使用tqdm库三、使用alive-progress库四、使用progres

Android数据库Room的实际使用过程总结

《Android数据库Room的实际使用过程总结》这篇文章主要给大家介绍了关于Android数据库Room的实际使用过程,详细介绍了如何创建实体类、数据访问对象(DAO)和数据库抽象类,需要的朋友可以... 目录前言一、Room的基本使用1.项目配置2.创建实体类(Entity)3.创建数据访问对象(DAO