AI Challenger2018情感分析赛道亚军PPT分享
各位小伙伴中午好~
不知不觉走到2018年的尾声啦0 0
咱们赛博智能公众号也开通了半年有余。在这半年里，我们共计发布了科研成果类推送16篇，其他类型推送22篇，关注人数已达四位数。
感谢一路走来各位朋友的帮助与支持，抱拳へ
祝大家在新的一年里万事如意，科研顺利哦(〃'▽'〃)
小编
「AI Challenger 全球 AI 挑战赛」是面向全球人工智能人才的开源数据集和编程竞赛平台，首届 AI Challenger 全球 AI 挑战赛于 2017 年举办。AI Challenger 2018 由创新工场、搜狗、美团点评、美图公司联合主办。今年有上万支团队参赛， 覆盖 81 个国家、1100 所高校、990 家公司。
2018年各赛道参赛队与提交情况
图源 | leiphone.com
竞赛成果
2018年12月19日，第二届AI Challenger全球AI挑战赛落下帷幕，中科院电子所赛博智能团队的张鸿志（队名：do something）参与了细粒度用户评论情感分析赛道的竞赛，并在总决赛中获得亚军。
荣誉奖杯
总结与体会
通过对整个比赛总结和分析，我们将整个模型中较为有效的策略概括为以下几点：
多任务学习：入围决赛的四支队伍均采用了多任务建模方法。对于该任务，采用多任务建模来避免分别训练20个分类器，是模型快速迭代的关键。在多任务学习框架下，需要注意共享和独占参数数目的权衡。在实验中我们发现将SRU/GRU/LSTM层设置为共享层、特征抽取与分类层设置为独占层，可获得一个不错的基线模型。
SRU：在上下文建模中，较LSTM、CNN和Transformer，N-BiSRU也是一个不错的选择（if not better）。我们的模型训练一个epoch需要5-6分钟，同等参数规模的GRU模型需要13分钟左右（GPU:1080ti），而实际上GRU模型需要更多参数才能收敛到好的结果。
Dropwords：Dropwords是一种简单有效的数据增强方法。
阈值调整：在竞赛中，针对不平衡数据集，调整分类阈值是一个简单有效的策略。
ToDo：进一步探索ELMO和BERT等预训练方法在细粒度情感分析任务上的作用
我们在这里分享竞赛答辩PPT，以便大家交流。
作者简介
张鸿志，博士生，2014年由吉林大学保送至中国科学院电子学研究所直博，研究方向包括基于深度学习的知识图谱问答、文本问答及信息抽取等。
作者：张鸿志
编辑：王鑫沂
尹文昕
- 发表于:
- 原文链接：https://kuaibao.qq.com/s/20181228G0J9WI00?refer=cp_1026
- 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号（企鹅号）传播渠道之一，根据《腾讯内容开放平台服务协议》转载发布内容。
- 如有侵权，请联系 cloudcommunity@tencent.com 删除。
相关快讯
扫码
添加站长 进交流群
领取专属 10元无门槛券
私享最新 技术干货
腾讯云开发者
