2020 泰迪杯 C 题
Posted zhuo木鸟
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了2020 泰迪杯 C 题相关的知识，希望对你有一定的参考价值。
2020 泰迪杯 C 题，含数据代码
本人专挑数据挖掘、机器学习和 NLP 类型的题目做，有兴趣也可以逛逛我的数据挖掘竞赛专栏。
本人不会回访，不互关，不互吹，以及谢绝诸如此类事
赛题官网：https://www.tipdm.org/
返回目录
思路
具体思路请见：https://blog.csdn.net/weixin_42141390/article/details/106069244
第一问
数据预处理
首先打开附件 2：
然后以留言详情为输入数据，以一级标签为输出标签，于是问题转换为一个文本分类的问题。因此，我们需要将非结构型文本数据转换为结构型文本数据（表格）；将文本标签（一级标签）转换为自然数，以表示类别，如下所示：
二元语法
对于输入文本，首先用二元语法对文本进行拆分，如下所示：
返回目录
词袋模型
进行二元语法拆分后，我们需要进行特征提取，将上述文本结构转换为结构化数据。我们将上述所有的数据的取值作为表头，每一条数据，在某一列的取值为，其对应的二元字符，出现的频次。
如第 0 条数据，列 “3区” 的取值 1；列“尊敬” 的取值为 0。不过，在实际编程上，可定不能直接用一个表格表示，因为转换后的数据必然是极其稀疏的稀疏表格。并且，直接用中文字符来作为列名，也十分浪费存储空间。本人曾经试过，若转换为稀疏表格，则将占用 40 GB… 而我的小电脑才 8 GB 内存呀…
于是这里用稀疏矩阵的方式来存储，比如将第一行存储为：
[(0, 1),
(1, 1),
(2, 1),
(3, 1),
...
(90, 1),
(91, 1),
(92, 1)]
第二行存储为：
[(7, 1),
(26, 1),
(73, 1),
(77, 1),
(93, 1),
...
(163, 1),
(164, 1),
(165, 1)]
转换为稀疏矩阵后，由于输入特征的数量很多，容易造成维度灾难，所以需要采用一些过滤方法。这里采用卡方检测法：卡方检测法用于检测两个分布是否独立，我们可以遍历每一个输入特征，与标签做卡方检测，若证明独立，则可以排除掉当前特征。
这里设置卡方检测的显著水平为 0.001，原假设为当前输入特征与标签是独立的。可得，那些保留下来的特征共 30291 个。
最后的出来的数据集为，一个 9210X30291 的稀疏矩阵：
分类模型
机器学习方法
根据“没有免费午餐定律”，我们首先从如下模型中筛选最佳模型：
| 算法 | 逻辑回归 | k近邻算法 | 朴素贝叶斯分类器 | 支持向量机分类 | 决策树 | 随机森林 | AdaBoost |
|---|---|---|---|---|---|---|---|
| 符号 | lg | knn | nb | svc | dtc | rf | ada |
但在此之前，先结合交叉验证，网格寻优寻找最合适参数，参数网格和筛选结果如下：（其中随机森林的基函数为最大深度为 5 的决策树； AdaBoost 的基模型为逻辑回归模型）
然后，在根据 5 折交叉验证，计算最合适参数下，各模型的 F1 如下：
从各模型的 F1 的均值可以剔除决策树、随机森林和 kNN。剩下的模型差别均不大。但是，人们不能贸然地认为这些模型在效果上是 等 价的。因此，为了判断这些模型是否等价，还需要采用 T 检验的方法。我们对上述保留下来的模型进行两两 T 检验：（原假设为均值相等）
可见，这些模型都是等价的。但由于 AdaBoost 耗费资源最多，训练时长过长，运行时间过长，不建议选用。
个人觉得，除了 AdaBoost 之外，其他模型的性能如下表：
| 模型 | 占用空间 | 训练时长 | 运行时间 |
|---|---|---|---|
| lg | *** | ** | ** |
| svc | *** | * | * |
| nb | * | ** | *** |
* 越多越好
分别训练三个模型，并将数据集按 7:3 拆分为训练集、测试集，测出模型在训练集、测试集中的 F1 值如下所示：
多层感知器
模型
因为我们将分类标签视为 0/1/2 等自然数，所以这里可将分类问题看成一个回归问题。（这也是一种解题思路吧，其实就是本人太懒了…）
当然，如果你想要按分类问题来做，那么利用深度学习的方法的话，你就必须进行 one-hot 编码了！
设置网络的拓扑结构如下：
训练算法为：Adam； 评价指标为：均方误差（MSE）；损失函数也是均方误差。同时，对每一层隐藏层加上一个 dropout 率为 0.1 的 Dropout 正则化。
结果
第二问
数据预处理
要从每一个群众的留言中，收集某一时间段内群众集中反映的问题，显然属于一个文本聚类的问题。如果将群众相似的留言聚成一簇，即可将簇视为某个集中问题。根据该簇包含的留言条数、支持和反对的总数，并考虑其热度随时间的衰减，即可估计该问题的热度。
为了提取出聚类簇中留言的问题描述，以及地点和人群。这里考虑使用关键语句提取算法，从而自动生成关键句，再从关键句中人工提取出地点和人群。籍此就可以降低直接从留言详情中，人工提取问题概述的工作量。
分词
首先，我们用一个条件随机场来分词。当然，条件随机场是一个序列标注模型，属于机器学习的一部分。为了训练一个条件随机场的分词模型，我们用了开源的分词数据集 MSR，最后训练出以条件随机场分词模型。
以附件 3 的第一条为例，用条件随机场分词结果如下：
[座落, 在, A市, A, 3区联丰路米兰春天G2栋320, ，, 一家, 名, 叫, 一米, 阳光, 婚纱, 艺术, 摄影, 的, 影楼, ，, 据说, 年单, 这, 一个, 工作, 室, 营业额, 就, 上百万, ，, 因为, 地处, 居民, 楼, 内部, ，, 而且, 有, 蛮长, 的, 时间, 了, ，, 请, 税务局, 和, 工商局, 查, 一下, ，, 看看, 这个, 一米, 阳光, 有没有, 正常, 纳税, ！, 如果, 没有, ，, 应该, 会, 怎么, 操作, ！]
停用词过滤
采用双向匹配法，运用 hanlp 自带的停用词字典，过滤掉那些没有意义的词和符号：
['座落', 'A市', 'A', '3区联丰路米兰春天G2栋320', '一家', '一米', '阳光', '婚纱', '艺术', '摄影', '影楼', '据说', '年单', '工作', '室', '营业额', '上百万', '地处', '居民', '楼', '内部', '蛮长', '时间', '请', '税务局', '工商局', '查', '看看', '一米', '阳光', '有没有', '正常', '纳税', '没有', '应该', '会', '操作']
词袋模型
和第一问一样，我们依旧是用词的频次作为每一个特征的取值，以第一条为例，其值为：
{0: 1,
1: 1,
2: 1,
...
32: 1,
33: 1,
34: 2}
第二条其值为：
{1: 3,
2: 1,
6: 1,
15: 1,
26: 1,
...
76: 1,
77: 2,
78: 2}
词袋模型有很多，除了单纯地使用频次外，还有使用 TF-IDF 的，但是使用 TF-IDF，会破坏数据的稀疏性，从而导致无法处理，所以这里只能采用频次，但没关系，能够用就可以。
PCA 降维
数据的特征个数，经过分词、停用词过滤、词袋模型之后，共有 42754 个。我们将其降低至 1000 个，同时计算其贡献和累计贡献，图如下：
热度挖掘
本文定义：话题热度 = 话题留言数 + 点赞数 - 0.5 反对数；且热度随着时间的延迟而呈现指数下降。
话题——聚类
什么是话题？每条留言的背后都是一个话题，于是，肯定有些留言的话题是相似的，相同的。为了找出话题，我们可以采用聚类的方法。
注意：聚类并不能找出语义的相似，而是找出“表面”的相似，比如：
我是慢热的人和他是慢热的人可能属于一类，但我是慢热的人和我是内向的人却不是同一类，即使后者语义更加相近，反应的更近似于同一个主题。
但是，为了让大家学习，我们这里采用聚类。在第三问，还有求相似度的。到了那里，我们再用其他方法好不？
其实这里主要是为了让大家学习啦。不然我第一问就用分词的方法了，何必再重复呢？希望大家能学到更多的东西，如果觉得这篇文章对你们有所帮助，请点赞咯~
如何聚类呢？这里采用 DBSCAN。
聚类结果如下：
{-1: 3629, 0: 3, 1: 2, 2: 227, 3: 2, 4: 3, 5: 2, 6: 2, 7: 2, 8: 2, 9: 2, 10: 3, 11: 2, 12: 2, 13: 2, 14: 2, 15: 3, 16: 4, 17: 2, 18: 2, 19: 2, 20: 2, 21: 2, 22: 2, 23: 3, 24: 3, 25: 3, 26: 3, 27: 2, 28: 2, 29: 2, 30: 2, 31: 2, 32: 2, 33: 2, 34: 2, 35: 3, 36: 2, 37: 2, 38: 2, 39: 2, 40: 2, 41: 4, 42: 2, 43: 3, 44: 3, 45: 2, 46: 3, 47: 5, 48: 3, 49: 3, 50: 2, 51: 2, 52: 2, 53: 2, 54: 2, 55: 2, 56: 3, 57: 3, 58: 3, 59: 2, 60: 4, 61: 2, 62: 2, 63: 2, 64: 2, 65: 2, 66: 2, 67: 2, 68: 3, 69: 4, 70: 2, 71: 2, 72: 2, 73: 2, 74: 2, 75: 2, 76: 2, 77: 3, 78: 4, 79: 2, 80: 2, 81: 2, 82: 2, 83: 2, 84: 3, 85: 2, 86: 2, 87: 2, 88: 2, 89: 2, 90: 2, 91: 2, 92: 3, 93: 2, 94: 2, 95: 2, 96: 2, 97: 2, 98: 2, 99: 2, 100: 2, 101: 2, 102: 2, 103: 2, 104: 2, 105: 2, 106: 2, 107: 2, 108: 2, 109: 3, 110: 2, 111: 2, 112: 2, 113: 2, 114: 2, 115: 2, 116: 2, 117: 2, 118: 2, 119: 2, 120: 2, 121: 2, 122: 2, 123: 2, 124: 2, 125: 2, 126: 2, 127: 2, 128: 2, 129: 3, 130: 2, 131: 2, 132: 2, 133: 2, 134: 2, 135: 2, 136: 2, 137: 2, 138: 2, 139: 2, 140: 2, 141: 4, 142: 2, 143: 2, 144: 2, 145: 2, 146: 2, 147: 2, 148: 3, 149: 3, 150: 2, 151: 3, 152: 2, 153: 2, 154: 2, 155: 2, 156: 2, 157: 2, 158: 2, 159: 2, 160: 5, 161: 2, 162: 2, 163: 2, 164: 2, 165: 2, 166: 3, 167: 2, 168: 2, 169: 2, 170: 3, 171: 2, 172: 2, 173: 2, 174: 2, 175: 2, 176: 2, 177: 2, 178: 2, 179: 2, 180: 2, 181: 2, 182: 2, 183: 2, 184: 3, 185: 2, 186: 2, 187: 2, 188: 2, 189: 2, 190: 2, 191: 2, 192: 2, 193: 2, 194: 2, 195: 2, 196: 2, 197: 2, 198: 2, 199: 2, 200: 2, 201: 2, 202: 3, 203: 4, 204: 2, 205: 2, 206: 2, 207: 2, 208: 2, 209: 2, 210: 2}
其中 -1 为游离个体。
我们把一个簇叫做一个话题。我们得出每一个话题的热点计算公式如下：
{
y
i
=
10
+
Y
−
0.5
N
+
Δ
y
i
y
i
>
0
0
y
i
≤
0
\\left\\{\\begin{array}{ll} y_{i}=10+Y-0.5 N+\\Delta y_{i} & y_{i}>0 \\\\ 0 & y_{i} \\leq 0 \\end{array}\\right.
{yi=10+Y−0.5N+Δyi0yi>0yi≤0
Δ
y
i
\\Delta y_i
Δyi 为时间衰退。按一般观点，热度的衰退应该是呈现指数型的，所以我们将
Δ
y
i
\\Delta y_i
Δyi 定义为如下格式：
−
Δ
y
=
a
exp
(
b
Δ
t
)
−
c
-\\Delta y=a \\exp (b \\Delta t)-c
−Δy=aexp(bΔt)−c
那么定义上述的参数呢？观察数据可以发现，最近的留言时间为 T=2020-1-26 19:47:11；最远的留言时间为：2017-6-8 17:31:20，时间间隔为 962 天。
挖掘所有课题，发现
10
+
Y
−
0.5
N
10 + Y - 0.5N
10+Y−0.5N 取值最大为 2107。因此，我们定义：经过 962 天后，热度应下降 2107。经过
962
/
2
962/2
962/2 天后，关注度下降
2107
/
16
2107/16
2107/16，据此可列出方程为：
{
a
exp
(
0
)
−
c
=
0
a
exp
(
962
2
b
)
−
c
=
2107
/
16
a
exp
(
962
b
)
−
c
=
2107
\\left\\{\\begin{array}{l} a \\exp (0)-c=0 \\\\ a \\exp \\left(\\frac{962}{2} b\\right)-c=2107 / 16 \\\\ a \\exp (962 b)-c=2107 \\end{array}\\right.
⎩⎨⎧aexp(0)−c=0aexp(2962b)−c=2107/16aexp(962b)−c=2107
于是热度下降函数为：
−
Δ
y
=
262.125
exp
(
0.0023
Δ
t
)
−
262.125
-\\Delta y=262.125 \\exp (0.0023 \\Delta t)-262.125
−Δy=262.125exp(0.0023Δt)−262.125
可得热度结果如下：
最后得出前 10 热点问题的所有留言如下：
热点描述
这里模仿 google 的 pagerank 算法提出一种 textrank 算法（前人做的）。对于 pagerank，我们将网页视为节点，节点的分数决定了其热度。设节点 V i V_i Vi 的分数为 S ( V i ) S(V_i) S(Vi)，设节点 V i , V j V_i,V_j Vi,Vj 存在有向边，则：
S
(
V
i
)
=
(
1
−
d
)
+
d
×
∑
V
j
∈
In
(
V
i
)
1
∣
O
u
t
(
V
j
)
∣
S
(
V
j
)
S\\left(V_{i}\\right)=(1-d)+d \\times \\sum_{V_{j} \\in \\operatorname{In}\\left(\\mathrm{V}_{\\mathrm{i}}\\right)} \\frac{1}{\\left|\\mathrm{Out}\\left(\\mathrm{V}_{\\mathrm{j}}\\right)\\right|} S\\left(V_{j}\\right)
S(Vi)=(1−d)+d×Vj∈In(Vi)∑∣Out(Vj)∣1S(Vj)
S
(
V
)
S(V)
S(V)的初始化为 1，KaTeX parse error: Can't use function '\\]' in math mode at position 9: d\\in(0,1\\̲]̲ 是一个常数因子，模拟用户点击网页
V
i
V_i
Vi 的概率。
O
u
t
(
V
j
)
Out(V_j)
Out(Vj) 表示从
V
j
V_j
Vj出发链接到的节点的所有节点。
将 pagerank 推广到关键句识别中。以句子为节点，设每条句子两两都存在链接，并记 d d d 为当前句子和其他所有句子之间的平均“间隔”，即处于中心的句子， d d d 越大。
由于所有句子都存在链接，所以上述公式不能用了。
因此，这是因为
∣
O
u
t
(
V
j
)
∣
|Out(V_j)|
∣Out(Vj)∣ 都相同。因此这里定义两条句子的相似度如下： 以上是关于2020 泰迪杯 C 题的主要内容，如果未能解决你的问题，请参考以下文章 2023年第十一届泰迪杯数据挖掘挑战赛C题：泰迪内推平台招聘与求职双向推荐系统构建 建模及python代码详解 问题一
B
M
25
(
V
i
,
V
j
)
=
∑
k
=
1
n
I
D
F
(
term
k
)
T
F
(
term
k
,
V
i
)
(
α
+
1
)
T
F
(
term
k
,
V