2021华中杯 B 题

Posted 2021-06-26 zhuo木鸟

2021华中杯 B 题：题目+数据+代码

• 思路
• 非结构化文本→结构化表格（英文）
• • 网页标识处理
  • 空格、标点符号过滤，并转换为小写
  • 停用词过滤、保留词根
  • TF-IDF 建模
• 生成用于机器学习的数据集
• • 将 duplicates 转换成 duplicate
  • 附件一与附件二合并
  • • 粗放地合并
    • 选择地合并
    • • 特征过滤
      • 合并
  • 类别不均衡问题
• 逻辑回归模型——判断两问题是否相似
• TopK 与得分 R
• 代码与提问

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：http://www.hzbmmc.com/

思路

其实这个比赛可以总结为一个问题，第二个问题只是在第一个问题的基础上的应用而已。而解决第1个问题的关键就在于构建一个机器学习模型，从而能够根据两个非结构化的文本来输出，两者之间是否重复。说到底就是一个监督学习的问题。

要解决这个监督学习问题，首先就要将非结构化的文本转换为结构化的，类似于表格或者向量的数据。为了解决这个问题，本文将英语文本进行拆分，停用词过滤，提取词根，在采用词袋模型配合TF-IDF方法，最终将非结构化的英语文本转换为一个向量。

之后将附件2，与处理过后的附件一进行合并，从而获得用以机器学习的数据集。考虑到直接合并产生的数据及占用的空间非常大，所以本文在进行合并操作的时候进行了适当的筛选。

然后由于重复的数据比起非重复的数据，数量上差距太大，如果直接用于监督学习，会由于类别不均衡问题，导致模型的效果太差。所以在训练模型之前，本文采用过采样和欠采样的方法，来解决数据的类别不均衡问题。

再考虑到数据的特征非常多，容易造成维度灾难，因此本文将采用卡方检验来排除那些不相关的特征。

最后本文将采用逻辑回归模型，根据上述处理过后的数据，即按 7:3 的比例拆分成训练集和测试集，在训练集中训练模型，在测试集中评价模型评价指标为 F1 值。

第二题有些迷，建议大家挑着做吧，对这次比赛，我个人意见是比较大的（哪有类别不均衡成这种程度的嘛~）。

---

到机器学习模型之后，要解决第2问就比较容易了。只需要将目标问题与其他问题的两两配对，输入到逻辑回归模型之中，就可以得出相应的概率，然后依据概率最大，提取出前10个问题即可。

逻辑回归模型当然不仅可以输出概率，也可以输出类别。我们只要应用逻辑回归模型对目标问题和这前10个问题进行预测，得到标签，结合原数据标签，就可以得出可以K值。

不过，按照我的那个模型，算出的 K 值比较低… 原因可能是因为在训练模型的时候，数据没有全部投入的缘故，又或者是解决类别不均衡时，引入了太多的误差。因此，这里就仅仅实现了一部分了

若要解决这个问题，可以：

1. 加大训练数据，最好将所有的数据都投进去。
2. 给相似数据赋予一个较大的权重，使得少数类数据能够被加强学习…

又或者，换一个做法…

返回目录

非结构化文本→结构化表格（英文）

这里主要将英文的文本数据，转换成结构化的 TF-IDF 词袋模型数据：

网页标识处理

这里将所有的网络 tag 都删除，仅保留文本：

返回目录

空格、标点符号过滤，并转换为小写

以第一条为例：

I have an ArcGis Desktop Standard license and I would like to perform an operation to find out the difference between 2 features classes geometries (Something like symmetrical difference in Arcgis advanced version). Unfortunately symmetrical difference is not available for Arcgis desktop standard. The operation should be performed using Arcpy. Has anyone a tip for me, how to perform such an operation on Arcgis Standard?

Thanks

经过如下处理：

1. 将文本的左右两边的空格，空行都删除。
2. 将文本转换为小写
3. 将文本中所有的标点符号转换为 空格。

可得：

i have an arcgis desktop standard license and i would like to perform an operation to find out the difference between 2 features classes geometries something like symmetrical difference in arcgis advanced version unfortunately symmetrical difference is not available for arcgis desktop standard the operation should be performed using arcpy has anyone a tip for me how to perform such an operation on arcgis standard thanks

返回目录

停用词过滤、保留词根

1. 将字符串中包含的停用词¹过滤
2. 将字符串中的每个字符，用其词根替换。

转换后变为：

arcgi desktop standard licens would like perform oper find differ 2 featur class geometri someth like symmetr differ arcgi advanc version unfortun symmetr differ avail arcgi desktop standard oper perform use arcpi anyon tip perform oper arcgi standard thank

TF-IDF 建模

1. 用 TF-IDF 词袋模型，对上述处理后的数据进行建模。至此，就可以将非结构化的文本数据，转换为结构化文本。

返回目录

生成用于机器学习的数据集

附件 2 有 questionID、duplicates、labels。其中 Duplicates 是一个字符串，字符串包含了所有与该行 questionID 重复的所有 questions 的 IDs，如下所示：

返回目录

将 duplicates 转换成 duplicate

比如 questionID = 90834，将其转换为：

questionID	duplicate
90834	41307
90834	57338

当然，在此之前，需要将 [‘41307’, ‘57338’] 转换为单纯的整数。

返回目录

附件一与附件二合并

粗放地合并

对于那些标签 0 的数据，我们发现他们的 duplicates 列 NAN：

以 73399 为例，可以理解为，73399 和其他 questionID 的标签都为 0，也就是问题不重复。

因此，可以我们可以考虑将附件一种的 question 两两组合起来，并根据附件二，给这些数据打上标签，以表明这两个问题是否重复。

但这就会导致一个大问题，首先附件 1 的问题（数据）共有 7294 条。若两两组合，则会有 $!7294=53202436$，共有 5 千多万条。而附件 1 经过处理后，共有 23268 列，加上两两拼接，共有 $23268\times 2=46536$，最终数据的大小是 $(53202436,46536)$。可以看到，数据量非常的大！

另一个问题是，附件二中，那些两两重复的问题共有 1004 个。两相对比下，$53202436:1004\approx 5299$，可以说数据是非常不均衡的。如果采用过采样、欠采样的方法解决，则必须要用欠采样生成新样本，从而将数据量化为：$(1亿,46536)$

所以不能将用这种合并。

返回目录

选择地合并

由于我们的题目是要求出一个，给出两个问题，返回两个问题相似的概率。所以，就要训练一个机器学习模型。

那么，训练该机器学习的数据集，是否有必要将所有问题的两两组合都投入训练呢？需要但不必要。

因为，我们已经知道，首先：

1. 输入只是局限于附件 1 中。
2. 重复与否，也局限于附件 2 中。

那么，既然如此，我们只要把那些，两两重复的所有 id 提取出来（共 1792 条，没记错的话），然后，再与剩下的问题两两构成配对即可。这时，数据集的大小大概为：13105521。

虽然如此，但是不得不说数据量还是太大了，并且还是会有类别不均衡的问题。因此，这里考虑，使用分层不重复抽样的方法，从 label==0 的数据抽取 0.005，再与 label==1 的数据构成一个新的数据集。最终得到 66527 个数据。

不过：

这就是大数据的魅力啊！

解决上述问题有两种方法：

1. 用 dask 分块读取
2. 特征过滤

考虑到特征过滤在接下来我们也需要使用，所以对数据先进行特征过滤。

返回目录

特征过滤

为了对数据进行过滤，且在过滤的过程中，必须避免直接合并附近 1 和附件 2（11 GB 吃不消呀），所以这里将附件二（处理过的）中的 label==0 的数据随机采样，从而将 label==0 的数量弄成与 label==1 相同，也即 1004 条。

之后，再用采样后的 $1004\times 3$ 的“附件二”，与结构化附件一拼接，如何拼接？

首先，以 “附件二” 的第一个 questionID 和 “附件一” 的 id 为链接键，然后再用 SQL 的内连接方式拼接在一起。

之后，以以 “附件二” 的第二个 questionID 和 “附件一” 的 id 为链接键，然后再用 SQL 的内连接方式拼接在一起。

最后，再取两个表格相减的绝对值，作为最终数据。

然后，对“最终数据”，我们采用卡方检验，设置显著水平为 $\alpha =0.5$，原假设为：当前检验的特征与是否重复无关（相互独立）。之后，我们将那些否定原假设的特征提取出来，从而实现特征过滤。

合并

根据上述过滤后的表头，套用到“附件一”中，从而大大降低附件一的列数，就可以实现与“附件二”的安全合并了（占用空间小于 1GB）。

返回目录

类别不均衡问题

将附件一和附件二进行合并后，由于 label==1 的数据只有 1004 条，而 label==0 的数据却有65023 条，可以看到数据是极度不均衡的。

为了解决类别不均衡问题，我们需要将数据先后进行：采用单边选择算法，和 ADASYN 算法的过采样、欠采样，进而解决类别不均衡问题。

逻辑回归模型——判断两问题是否相似

将解决类别不均衡后的数据集，按 7:3 的比例拆分为训练集、测试集，以 label 为输出，其他特征为输入。

采用逻辑回归模型，用训练集训练模型，用测试集测试模型的效果，评价模型的指标为 F1 值，结果如下：

似乎测试集的 F1 比训练集还要好哈。。。

返回目录

TopK 与得分 R

由于逻辑回归模型判断的标准是 sigmoid 函数，引起其不仅可以根据数据得出标签，而且也可以得出其属于某个标签的概率。因此，我们可以直接采用上述的逻辑回归模型，求出两个问题是否重复的概率，并根据概率进行排行，进而得到 TopK 列表。

由于该题的计算量比较大，对于每一个 question_id，都要和其他所有的 question 进行比较，没算个千万次还算不出来。因此，我们这边只考虑 question_id = 90834，得出与其相似的概率最大的 10 个问题如下：

[(41307, 1),
(57338, 1),
(50415, 0.9693937320515627),
(69294, 0.9441227907362385),
(59864, 0.9392773351052164),
(104161, 0.9374120712282645),
(86847, 0.911329510159202),
(57438, 0.8774133886495158),
(104165, 0.8473797269811091),
(80698, 0.8210906200777438)]

返回目录

代码与提问

若需要代码，请关注、私信、说明题目和年份

如果有其他问题，请到评论区留言，私信提问，概不回答。也在此鼓励大家独立思考。

本人不会回访，不互关，不互吹，以及谢绝诸如此类事

如果本篇博文对您有所帮助，请不要吝啬您的点赞 😊

---

1. 停用词指那些意义较小的词，如 an、the 等 ↩︎