1 竞赛背景
神策数据推荐系统是基于神策分析平台的智能推荐系统。它针对客户需求和业务特点,并基于神策分析采集的用户行为数据使用机器学习算法来进行咨询、视频、商品等进行个性化推荐,为客户提供不同场景下的智能应用,如优化产品体验,提升点击率等核心的业务指标。
神策推荐系统是一个完整的学习闭环。采集的基础数据,通过机器学习的算法模型形成应用。效果实时验证,从而指导添加数据源,算法优化反馈形成一个全流程、实时、自动、可快速迭代的推荐闭环。
本次竞赛是模拟业务场景,以新闻文本的核心词提取为目的,最终结果达到提升推荐和用户画像的效果。
数据集 数据地址:[https://pan.baidu.com/s/1LBfqT86y7TEf4hDNCU6DpA](https://pan.baidu.com/s/1LBfqT86y7TEf4hDNCU6DpA) 密码:qa2u
2 任务
个性化推荐系统是神策智能系统的一个重要方面,精准的理解资讯的主题,是提升推荐系统效果的重要手段。 神策数据以一个真实的业务案例作为依托,提供了上千篇资讯文章及其关键词,参赛者需要训练出一个”关键词提取”的模型,提取10万篇资讯文章的关键词。
3 数据
备注:报名参赛或加入队伍后,可获取数据下载权限。
提供下载的数据集包括两个部分: 1. all_docs.txt,108295篇资讯文章数据,数据格式为:ID 文章标题 文章正文,中间由\001分割。 2. train_docs_keywords.txt,1000篇文章的关键词标注结果,数据格式为:ID 关键词列表,中间由\t分割。
说明: 标注数据中每篇文章的关键词不超过5个。关键词都在文章的标题或正文中出现过。需要注意的是,“训练集文章的关键词构成的集合”与“测试集文章的关键词构成的集合”,这两个集合可能存在交集,但不一定存在包含与被包含的关系。
4 个人初赛第十一名方案
基于NLP中的无监督学习方法来提取关键词,这也是自己第一次参加比赛,当时刚接触NLP,所以对这次比赛印象深刻,在此给大家分享出来
神策杯”2018高校算法大师赛 B榜排名(13/583)
4.1 得分情况
- 01_snow_textrank.py:暂定
- 02_jieba_tfidf.py:377.5|415(custom)
- 03_jieba_textrank.py:204.5
- 04_jieba_postag.py:425.0
- 05_jieba_postag.py:334.5
- 06_jieba_ensemble.py:515
- analysis_for_06.py:607.5
4.2 数据分析:
- 1-40000:影视新闻
- 40001-44060:体育新闻
- 44061-54060:健康新闻
- 54061-64060:军事新闻
- 64061-74060:正文文本
- 74061-84060:教育新闻
- 98296-108295:饮食菜谱
4.3 提升技巧
- 词性相同的情况下,选取长度大的关键词
已解决,效果有明显提升,这也符合常理,词长度在3-5之间,一般在一个标题中是一个重要词汇 - 存在错别字
- 无“手机品牌”字典
已解决:尝试增加这部分词典 - 像“杰森·斯坦森”、“《摇曳庄的幽奈小姐:蒸汽迷宫》”这些词,jieba分词存在缺陷
已解决:需要对包含特殊符号的句子做处理,效果有提升 - 标题中没有关键词
待提升:发现这种标题的规律,需要从正文中提取这种标题一般有个特点就是:含有标点符号,比如:
老公遭曝光?邓莎回应质疑:他身材比我好散了吧亚姐出身被前夫冷落?过档TVB专门“搞事”,视后非她莫属了?高秋梓100斤是真的吗?小姐姐托举黄渤很容易,却举不起她!哺乳期间怎么忌口?真的没有那么复杂
- 词性标错
这个是导致tf-idf提取关键字误差较大的原因
4.5 核心代码:
# -*- coding: utf-8 -*- # @Author : quincyqiang # @File : analysis_for_06.py # @Time : 2018/9/5 14:17 import pickle import pandas as pd from tqdm import tqdm from jieba.analyse import extract_tags,textrank # tf-idf from jieba import posseg import random import jieba jieba.analyse.set_stop_words('data/stop_words.txt') # 去除停用词 jieba.load_userdict('data/custom_dict.txt') # 设置词库 ''' nr 人名 nz 其他专名 ns 地名 nt 机构团体 n 名词 l 习用语 i 成语 a 形容词 nrt v 动词 t 时间词 ''' test_data=pd.read_csv('data/test_docs.csv') train_data=pd.read_csv('data/new_train_docs.csv') allow_pos={'nr':1,'nz':2,'ns':3,'nt':4,'eng':5,'n':6,'l':7,'i':8,'a':9,'nrt':10,'v':11,'t':12} # allow_pos={'nr':1,'nz':2,'ns':3,'nt':4,'eng':5,'nrt':10} tf_pos = ['ns', 'n', 'vn', 'nr', 'nt', 'eng', 'nrt','v','a'] def generate_name(word_tags): name_pos = ['ns', 'n', 'vn', 'nr', 'nt', 'eng', 'nrt'] for word_tag in word_tags: if word_tag[0] == '·' or word_tag=='!': index = word_tags.index(word_tag) if (index+1)<len(word_tags): prefix = word_tags[index - 1] suffix = word_tags[index + 1] if prefix[1] in name_pos and suffix[1] in name_pos: name = prefix[0] + word_tags[index][0] + suffix[0] word_tags = word_tags[index + 2:] word_tags.insert(0, (name, 'nr')) return word_tags def extract_keyword_ensemble(test_data): ids,titles=test_data['id'],test_data['title'] with open('data/test_doc.pkl','rb') as in_data: test_docs=pickle.load(in_data) labels_1 = [] labels_2 = [] use_idf=0 for title, doc in tqdm(zip(titles, test_docs)): title_keywords = [] word_tags = [(word, pos) for word, pos in posseg.cut(title)] # 标题 # 判断是否存在特殊符号 if '·' in title: word_tags = generate_name(word_tags) for word_pos in word_tags: if word_pos[1] in allow_pos: title_keywords.append(word_pos) title_keywords = [keyword for keyword in title_keywords if len(keyword[0]) > 1] title_keywords = sorted(title_keywords, reverse=False, key=lambda x: (allow_pos[x[1]], -len(x[0]))) if '·' in title : if len(title_keywords) >= 2: key_1 = title_keywords[0][0] key_2 = title_keywords[1][0] else: # print(keywords,title,word_tags) key_1 = title_keywords[0][0] key_2 = '' labels_1.append(key_1) labels_2.append(key_2) else: # 使用tf-idf use_idf += 1 # ---------重要文本----- primary_words = [] for keyword in title_keywords: if keyword[1] == 'n': primary_words.append(keyword[0]) if keyword[1] in ['nr', 'nz', 'nt', 'ns']: primary_words.extend([keyword[0]] * len(keyword[0])) abstract_text = "".join(doc.split(' ')[:15]) for word, tag in jieba.posseg.cut(abstract_text): if tag == 'n': primary_words.append(word) if tag in ['nr', 'nz', 'ns']: primary_words.extend([word] * len(word)) primary_text = "".join(primary_words) # 拼接成最后的文本 text = primary_text * 2 + title * 6 + " ".join(doc.split(' ')[:15] * 2) + doc # ---------重要文本----- temp_keywords = [keyword for keyword in extract_tags(text, topK=2)] if len(temp_keywords)>=2: labels_1.append(temp_keywords[0]) labels_2.append(temp_keywords[1]) else: labels_1.append(temp_keywords[0]) labels_2.append(' ') data = {'id': ids, 'label1': labels_1, 'label2': labels_2} df_data = pd.DataFrame(data, columns=['id', 'label1', 'label2']) df_data.to_csv('result/06_jieba_ensemble.csv', index=False) print("使用tf-idf提取的次数:",use_idf) if __name__ == '__main__': # evaluate() extract_keyword_ensemble(test_data) © 2021 GitHub, Inc.
以下整理来自国内大佬无私的风向
5 “神策杯”2018高校算法大师赛第二名代码
代码链接:https://github.com/bigzhao/Keyword_Extraction
文章链接:https://bigzhao.github.io/2018/10/26/keyword-exaction/
队伍:发SCI才能毕业
5.1 目录说明
- jieba:修改过的jieba库。
- 字典:存放jieba词库。PS:词库来源于搜狗百度输入法词库、爬虫获取的明星词条和LSTM命名实体识别结果。
- all_docs.txt: 训练语料库
- train_docs_keywords.txt:我把明显错误的一些关键词改回来了,例如D039180梁静茹->贾静雯、D011909泰荣君->泰容君等
- classes_doc2vec.npy:gensim默认参数的doc2vec+Kmeans对语料库的聚类结果。
- my_idf.txt:计算得来的语料库的idf文件。
- lgb_sub_9524764012949717.npy LGB的某一次预测值,用于特征生成
- stopword.txt:停用词
- Get_Feature.ipynb:特征生成notebook,对训练集和测试集生成对应的文件
- lgb_predict.py:预测并输出结果的脚本。需要train_df_v7.csv和test_df_v7.csv。
- train_df_v7.csv,test_df_v7.csv:Get_Feature.ipynb 跑出来的结果,notebook有详细特征说明
- word2vec模型下载地址:https://pan.baidu.com/s/1krH0ThIqvldmF5gfOZ6s7A 提取码:tw0m。
- doc2vec模型下载地址:链接:https://pan.baidu.com/s/17ZYAbTeqsXXq-hE3z3QqmA 提取码:0ciw.
5.2 运行说明
- 运行Get_Feature.ipynb获取train_df_v7.csv和test_df_v7.csv.
- 运行lgb_predict.py 获取结果sub.csv。
依赖包
numpy 1.14.0rc1 pandas 0.23.0 sklearn 0.19.0 lightgbm 2.0.5 scipy 1.0.0
5.3 解题思路方案说明
- 利用jieba的tfidf方法筛选出Top20的候选关键词
- 针对每条样本的候选关键词提取相应的特征,把关键词提取当作是普通二分类问题。特征可以分为以下两类:
- 样本文档自身特征:例如文本的长度、句子数、聚类结果等;
- 候选关键词自身特征:关键词的长度、逆词频等;
- 样本文本和候选关键词的交互特征:词频、头词频、tfidf、主题相似度等;
- 候选关键词之间的特征:主要是关键词之间的相似度特征。
- 候选关键词与其他样本文档的交互特征:这里有两个非常强的特征,第一是在整个数据集里被当成候选关键词的频率,第二个与点击率类似,算在整个文档中预测为正样本的概率结果大于0.5的数量(在提这个特征的时候我大概率以为会过拟合,但是效果出乎意料的好,所以也没有做相应的平滑,或许是因为结果只选Top2的关键词,这里概率选0.5会有一定的平滑效果,具体操作请看lgb_predict.py的31-42行)。
- 利用LightGBM解决上述二分类问题,然后根据LightGBM的结果为每条文本选出预测概率Top2的词作为关键词输出即可。