DataFountain_汽车行业_用户观点及情感识别.md

比赛背景

数据为用户在汽车论坛中对汽车相关内容的讨论和评价，典型的如汽车之家(该平台是一个大的数据来源地，值得注意)。

数据说明

字段名称	类型	描述	说明
content_id	Int	数据ID	/
content	String	文本内容	/
subject	String	主题	提取或者依据上下文归纳出来的主题
sentiment_value	Int	情感分析	分析出的情感
sentiment_word	String	情感词	情感词

其中subject包括10类：动力，价格，内饰，配置，安全性，外观，操控，油耗，空间，舒适性。

sentiment_value包括三类：中立(0)，正向(1)和负向(-1)。

每个content_id可能对应多个subject，每个subject一行记录。

sentiment_word大部分为空。

测试时的输入字段为content_id和content，输出字段包括subject，sentiment_value和sentiment_word。

评估指标

F1得分，只对subject和sentiment_value进行评估，忽略sentiment_word。

思路分析

已经给定了主题的种类和数目，同时一个content可能对应多个subject。一种典型的建模思路是多标签分类。给定content和subject，接下来就是情感分类了(多分类问题)，可以将content和subject嵌入后直接分类。

方案复盘

1.模型

冠军方案的思路和上述思路分析一致，模型上主要采用BERT，以及CNN/RNN等其他模型，借助LR以Stacking的方式融合多个模型。具体方案如下：

其中，Multi-Label Multi-Attention Model中的Multi-Attention是指第一：Lable Embedding做一个Attention，目的是建立Label之间的关系；第二，每个Label也有一个Attention过程，目的是学习到Label对应的句子表示。

上图中，AT_LSTM在自己的2017年的一个比赛中也用到，单模型做到了排名第二的成绩。HEAT和GCAE也分别是两个模型，关于模型细节就不多说了，可以参考具体文献。

2.词向量(多种)

具体包括：Chinese-Word-Vectors，Word vectors for 157 languages，Tencent AI Lab Embedding Corpus for Chinese Words and Phrases，HIT-SCIR，ELMoForManyLangs

上述其实是一个中文预训练词向量的列表，可以用在很多地方，冠军方案中用了这四种。

3.思考

赛题还是一个分类问题。从作者的开源代码Readme中，作者说单模型BERT的评估指标就已经很好了，和融合方案的差距很小，再次证明BERT的强大。冠军用了很多新的工作，要开放心态，做新模型和新方法的尝试。

参考

1.冠军方案，代码