简介

第二届搜狐内容识别大赛冠军LuckyRabbit团队的解决方案，关于参赛细节和详解，请参阅说明文档

代码流程

整个代码分为数据预处理、特征提取、单模型、stacking模型融合、trick部分

Input

输入数据是HTML格式的新闻和附带的图片

<title>惠尔新品 | 冷色系实木多层地板系列</title> <p>  </p> <br/><p>  <span style="font-size: 16px;">冷色系实木多层系列全新上市</span></p>	P0000001.JPEG;P0000002.JPEG; 

Preprocessing

• 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分词为基本分词组件

Feature Extraction

• gensim训练好的300维词向量 百度云盘
• TFIDF 特征 + SVD进行降维度
• 字向量特征
• 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

单模型

这里拿一个经典的模型来做一个例子, 我们把ocr提取出来的文本和新闻文本分别输入到同一个embedding层，随后再连接做分类 各种模型的得分如下

模型融合

Stacking

关于stacking这里有一篇很好的模型融合方法的介绍 我们比赛中使用的stacking模型结构如下图所示

Snapshot Emsemble

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

Pesudo Labeling

我们使用的另外一个trick就是pesudo-labeling 方法，它适用于所有给定测试集的比赛 教程

方法效果如下

代码结构

|- SOHU_competition
|　　|- data 　　　　　　　　　
|　　|　　|-result　 模型输出结果
|　　|　　|- ···　　　　　　　　　　
|　　|- ckpt　　　　　　　　　　　# 保存模型
|　　|- img　　　　　　　# 说明图片
|　　|- src　　　　　　　　　　# 模型代码
|　　|　　|- model　　　　 # 模型
|　　|　　|　　|- model_basic　　　　# 定义模型训练方法等　　
|　　|　　|　　|- attention_model　　　　# 模型定义　　
|　　|　　|　　|- ···　　　
|　　|　　|- preprocess　
|　　|　　|　　|- EDA&Extract.ipynb　　# 特征处理和提取流程　
|　　|　　|　　|- ···　　　
|　　|　　|- ocr　
|　　|　　|- train&predict.ipynb # 单模型的训练和测试　
|　　|　　|- stacking.ipynb # 模型融合　

使用方式：

• git clone https://github.com/zhanzecheng/SOHU_competition.git
• 下载新闻文本训练文件，放在 ./data/路径下，地址，图片文件过大，请自行去官网下载
• 下载ocr模型文件，放在 ./src/ocr/ctpn/checkpoints/ 路径下，模型地址
• pip3 install -r requirement.txt
• 下载词向量，放到 ./data 目录下
• 执行 EDA&Extract.ipynb
• 执行 train&predict.ipynb
• 执行 stacking.ipynb

感谢

感谢两位帅气的队友HiYellowC和yupeihua

这里还有我们的答辩PPT，如果需要的话自行下载