有毒评论分类(Kaggle挑战): 代码与写作分析

简介：
本项目参与了Kaggle有毒评论分类竞赛，通过细致的数据预处理、特征工程及模型训练，结合详尽的实验报告和代码注释，旨在提升文本毒性检测准确率。 在Kaggle的有毒评论分类挑战中获得了第33名的成绩，私人排行榜得分为0.9872，在4551个团队中排名第33；公众排行榜得分是0.9876，同样排第33位。 我们的任务是在多标签分类问题上进行处理，具体来说就是将在线评论归类为六种类型：toxic、severe_toxic、obscene、threat、insult和identity_hate。比赛的评估标准是对每个预测类别计算AUC值，并取这些AUC值的平均数作为最终得分。 方法概述如下： - 使用在竞赛数据上本地训练得到的fastText嵌入。 - 预训练嵌入（包含相似性插补）用于模型构建，其中表现最佳的是以下三种模型： 1. CapsuleNet：私人排行榜得分为0.9860，公开排行榜为0.9859； 2. RNN版本1：私人评分为0.9858，公开评分为0.9863； 3. RNN版本2：私人评分为0.9856，公开评分为0.9861。