第二届搜狐内容识别大赛第一名分享

Discussion

Home Discussion Board Sohu Data Competition 2018 第二届搜狐内容识别大赛第一名分享

zhanzecheng

第二届搜狐内容识别大赛第一名分享

posted in Sohu Data Competition 2018

2018-07-11 03:24

# 第二届搜狐内容识别大赛冠军LuckyRabbit团队的解决方案
本文主要是向大家介绍一下团队的解决方案，具体代码和答辩PPT可以上 [github](https://github.com/zhanzecheng/SOHU_competition)

[TOC]
## 任务说明
比赛的网站是[这里](https://biendata.com/competition/sohu2018/)，比赛时长是两个半月、也算是时间很长的一个比赛了

### 任务要求

比赛的目的是给我们一篇新闻，希望我们给出：

- 新闻是属于全营销类别、部分营销类别、还是无营销类别。这里相当于是一个分类问题
 - 对部分营销类别的新闻，我们要给出属于营销类别的文本片段和图片。这里是信息抽取和图像分类的问题

### 数据格式
数据给出来的是原生的HTML格式，如下：

> <title>惠尔新品 | 冷色系实木多层地板系列</title> 冷色系实木多层系列全新上市	P0000001.JPEG;P0000002.JPEG;

我们要先把HTML解析成可训练的文本和图片

### 评分标准
官方使用的是F1-measure来进行得分评判
  ![F1-measure](https://img-blog.csdn.net/20180710213252639?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM0Njk1MTQ3/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)

## 代码流程
模型融合是打比赛的大杀器，我们团队也是采用了这种方案，下面就来介绍一下我们团队的代码流程。
### 流程框图
![流程图](https://img-blog.csdn.net/20180710213700525?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM0Njk1MTQ3/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)
### 流程说明
模型融合部分采用的是stacking策略，并且在第二层接了两个trick。模型最后输出的是分类的结果，在后面会接上规则来提取文本片段，图像部分我们采用的ResNet来进行分类。下面来详细说明各个模块
## 数据预处理

- 文本翻译数据增强：把中文翻译成英文、再把英文翻译回中文，代码中没有给出，可自行调API接口
* 图片数据增强：图片旋转、平移、加噪声、过采样
* 使用[jieba分词](https://github.com/fxsjy/jieba)为基本分词组件
* 词表的选择：我们尝试过30万的中文词表和10万的中文词表，发现10万左右的词表是比较适合这个任务的

我们还尝试过文本的其他数据增强手段如Drop和random但是对于这个任务效果并不是很好

## 特征提取

- [gensim](https://github.com/RaRe-Technologies/gensim)训练好的300维词向量 [百度云盘](https://pan.baidu.com/s/11x9jhiof7Ik0rF-3zKL3eQ)
* TFIDF 特征 + SVD进行降维度
	-  先使用TFIDF来提取关键词特征
	-  由于词表太大，TFIDF的维度会特别高，因此我们使用SVD来进行降维。其实这一整套就相当于是一个LSA变换
* 字向量特征 
	- 字向量训练出来的模型虽然说精度上比词向量要差，但是字向量和词向量的差异性很大，有利于模型融合
* 基础特征：是否含有手机号、微信号等
* OCR文字提取
    提取图片上包含的文字来补充文本分类信息，如下图
    ![OCR样例](https://img-blog.csdn.net/20180710220922419?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM0Njk1MTQ3/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)

## 单模型
### 深度学习模型
我们联合了新闻文本和图片上的文本信息来构建模型，基本框架如下图所示
![模型](https://img-blog.csdn.net/20180710221142912?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM0Njk1MTQ3/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)
有几点需要注意

* Embedding层的共用：模型的参数主要是集中在embedding层，共用可以减小模型参数，防止过拟合
* ocr和文本分别输入：由于ocr文字提取会有一定误差，我们这里采用了分别输入的方式来避免这种差异性

### 机器学习模型

* 输入特征为TFIDF+SVD、Basic Features等
* 这里OCR出来的结果和新闻文本是做简单拼接的方式
* 模型有：xgboost、catboost、lightGBM、DNN

### 训练方式

* 主办方还提供了未标注的数据集，我们这里是用未标注的数据集来做预训练，相当于是一个良好的初始化，再用正常的训练集来训练我们的模型。
*  冻结Embedding层和开放Embedding层：由于embedding层的参数过多，我们这里使用的方式是先冻结Embedding层，等模型后面部分收敛了之后，再开放embediing层进行微调。

### 模型比较
各种模型的得分如下

| 模型或方法          | 得分F1-measure                                   |
| ----------- | ---------------------------------------- 
| catboost     | 0.611                                  |
| xgboost         | 0.621                                   |
| lightgbm      | 0.625                                   |
| dnn         | 0.621|
| textCNN  |0.617|
| capsule      |0.625|
| covlstm    |0.630|    
| dpcnn    |0.626|    
| lstm+gru    |0.635|    
| lstm+gru+attention    |0.640| 
(ps 由于大赛评分系统关闭了，个别模型得分可能不太准确)

## 模型融合
我们这里采用的是stacking策略，关于模型融合有一篇很好的文章，在这里分享给大家[点击链接](https://mlwave.com/kaggle-ensembling-guide/)
### Stacking
我们这里采用的stacking总共是两层，如下图
![stacking](https://img-blog.csdn.net/20180710223518968?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM0Njk1MTQ3/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)

* ModelX是第一层输出的OOF文件和pred文件
* 除了ModelX文件之外，我们还需要新闻的特征来做补充，防止模型陷入到ModelX文件中过拟合
* 第二层使用的是简单DNN来做第一层模型的挑选
### Pesudo labeling
下面来介绍一个实战利器，看起来没啥用但是跑出来的结果非常好，这里是一篇[教程](https://shaoanlu.wordpress.com/2017/04/10/a-simple-pseudo-labeling-function-implementation-in-keras/)
简单来说，它就是把模型预测出来的测试集的结果，与训练集联合起来，再重新训练模型然后再预测。这样的好处是可以平滑训练集和测试集数据分布的差异。
### Snapshot Ensemble
   在stacking第二层模型中我们还加入了深度融合的方法，[论文地址](https://arxiv.org/abs/1704.00109)
	它的好处是在一个训练周期里面可以得到多个具有局部最优解的模型、我们可以用这些模型来做融合。
方法效果如下

| 模型或方法          | 得分F1-measure                                   |
| ----------- | ---------------------------------------- 
| 单一模型     | 0.642                                  |
| stacking         | 0.647                                   |
| stacking+trick      | 0.652                                   |

## 总结
感谢搜狐能为我们提供这么好的平台和训练数据、``` 奖品真的超级丰富``` ，确实是很用心的在办这个比赛。组团打比赛的感觉真的是非常好，希望下次还能有参加的机会。

23 comments