2022人工智能技术创新大赛-赛道1-电商关键属性匹配.zip

# GAIIC2022_track1_rank11 2022人工智能技术创新大赛-赛道1-电商关键属性匹配 [链接](https://www.heywhale.com/home/competition/620b34c41f3cf500170bd6ca/content/2) **队友**：[XLF-xlf](https://github.com/XLF-xlf) & [Wuyu-love](https://github.com/Wuyu-love) ## 数据分析 #### 1. 原始数据处理 原始数据分为有标签（5万）和无标签（10万） 通过从有标签数据的title中检索属性，将原本的正样本无标签数据构造成有标签数据 #### 2. 数据增强 数据本身正负样本比例为8:2，需要构造负样本 - 将属性随机替换 - 随机交换标题中关键属性的位置 - 删除部分关键属性 经实验证明，当正负样本比例为1:2，效果最佳，实验数据约40万 ## 模型 #### 1. CNN 在一位大佬分享的[baseline](https://github.com/DLLXW/data-science-competition/tree/main/heywhale/gaiic2022)上做了一些改动，初赛单模效果能到0.93+，最终CNN是跑了五折再进行投票融合,成绩能到0.94+ - 调整了正则化参数 - 融合了最大池化和平均池化来提取更多信息 - 在文字和图片特征concat后添加了attention模块 #### 2. BERT 使用ChineseBert在全部title上使用MLM任务预训练。文字输入Bert得到的Embedding结果与图片特征（经过降维处理）concat做13分类，初赛A榜分数0.93 - concat后处理结构与CNN相同 #### 3. Visual Bert 直接将图片向量降维到1024后与文字向量一同输入visualbert, 使用Huggface预训练权重，复赛A榜分数0.909 - 使用transform结构6层结果与12层结果相差不大 - 对图片向量的输入方式进行了探索，发现复制图片向量并单独经过处理后进行输入，有小幅的结果提升 ## 一些尝试 - 使用jieba 分词，对字典根据数据集进行了调整（有提升） - 分析数据发现图文、版型、领型预测效果不好，单独对其进行二分类（没提升） - 复赛将训练数据分布设置成测试数据（没提升） ## 成绩 | | rank | 成绩 | | :---- |:--- | :--: | |初赛B榜 | 9 | 0.94891771 | |复赛B榜 | 11 | 0.94819834 | ## 总结 总体来说我们组这次比赛开始使用的CNN网络，对这个网络进行了一系列的实验， 单模五折到0.94+后，再做调整效果就不明显了，但因为CNN这个模型非常小，只有12M，所以不用考虑模型大小的限制，最后方案融合了BERT,Visual BERT模型。 ## 最后 BERT，Visual BERT这两个模型我们也尝试了很多种改进，效果不太理想，也希望可以看看别人的方案学习一下。 第一次打比赛，还有很多需要改进的地方，继续加油