2021 泰迪杯 C 思路
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2021 泰迪杯 C 思路相关的知识,希望对你有一定的参考价值。
希望大家能获得好成绩。
第一题
首先分词,分词本质上是一个序列标注问题,建议使用条件随机场。条件随机场可以用网络上开源的 SigHan05 的 MSR 分词语料库来训练。分词过后,当然还要删除停用词。删除停用词可以用双向匹配,即基于规则的词典匹配法。停用词字典的话,开源的有很多,这都不是问题。
另外要注意的问题是,英文怎么解决?我觉得只能手动翻译了,当然也可以不管,或者删除。
如何提取关键热词呢?有三个方法:
- 词频统计:缺点在于反复出现的词不一定是热词
- TF-IDF:占用空间太大
- TextRank:类似于 google 排行算法的 PageRank,把词看成节点,应该就能懂了。
然后,最重要的一点,就是结合上述的方法,最后提出热门词。
第二题
评价模型的训练,感觉其实是一个监督学习中的回归问题。但这个机器学习,数据集有些少,就 50 个。
如何解决呢?首先将景区下的所有评论,拼接成一个长文档,再采用分词和停用词过滤,再用词袋模型(如TF-IDF)将非结构化的文本,转换为结构化的向量。
之后,再将评分一个个单独拆开,从而构成一个个回归问题。最后采用机器学习,或者深度学习就好了。
第三题
所谓无效,就是指那些复制粘贴的东西嘛。所以,我觉得可以用聚类,将那些属于一类的视为重复(无效)就行了。
当然,这里还是用分词,再用词袋模型(词频),将非结构化的文本,转换为结构化的向量。
第四题
合并同一景区所有评论,采用 BM25+TextRank 提取出 100 条关键句,然后在根据第一问的方法,提取出 20 个关键词。就可以看出热门的词汇,再根据热门的词汇,来分析景区的特色即可。
当然,对于高、中、低层次,可以用评分中的“总评分”,再用四分位数区分出高、中、低层次即可。
文档
https://blog.csdn.net/weixin_42141390/article/details/116504403
以上是关于2021 泰迪杯 C 思路的主要内容,如果未能解决你的问题,请参考以下文章