CCFBDCI2020-Multi-Classification-from-Labeled-and-Unlabeled-Context

CCF大数据与计算智能大赛（CCF BDCI）中的一个文本分类的比赛——面向数据安全治理的数据内容智能发现与分级分类。本仓库拟提供一种通用的应对中文无监督文本分类的解题思路分享。

文本分类任务相对而言是较为容易的NLP任务。但是，这个比赛的重点是测试集需要对20000个文本归为10个类别，可只提供了7个类别共计7000个训练样本，还有3个类别（分别是游戏，娱乐和体育）的文章需要在主办方提供的33000的无监督语料中自行利用算法提取。

利用LOTClass抽取无监督文本后线上成绩单模可以逼近88.6%。以下是3个无监督文本的提取结果（部分展示）。其中，抽取出来的游戏类文本共计2431、娱乐类文本共计3582、体育类文本共计1999。

游戏 娱乐 体育

1.预训练

首先，在哈工大开源的中文RoBerta-base的基础上，对下游任务语料继续进行领域内预训练，得到模型RoBerta-base-self。实验表明，线上宏F1可以提升0.7个点。

2.无监督训练

然后，基于根据下游任务，通过定制化Tokenizer方法进行了词级别的预训练工作，得到适合本赛题使用的WoBERT-base模型。然后，利用WoBERT-base找到和标签名称语义相关性较高的词汇，查找类别指示性单词并基于这些单词训练单词分类模型，再进行自训练提升模型，进而从33000的无监督语料中提取出了任务需要的3个领域文本。

3.微调

最后，基于RoBerta-base-self进行微调，做好分类分级的对应工作，即可输出pred.csv和result.csv文件。

将在近期详细整理开源。谢谢。