作者 Sixigma (六西格瑪)標題 [討論] 關於 Dcard ML 實習作業時間 Sun May 14 01:29:57 2023
看到下面有篇大神有討論到這次 Dcard ML 實習作業，因為沒有收到團隊的具體反饋
想和大家討論作業的狀況
題目是用結構資料，包含標題、看板資訊以及1-6小時的愛心數和評論數等等
來預測發文後 24 小時的愛心數
因為當時是期中，我只大概花了五天約二十個小時來做
我的作法大致如下
首先先用 XGBoost LightGBM 把量化資料做出 baseline
但沒辦法處理最重要的標題資訊
所以就直接拿 Huggingface BERT 來做
直接把資料餵進去的訓練是無法收斂的
後來也嘗試一些 Emsemble 和 training tricks
但也都沒辦法收斂，甚至達不到 baseline 的效果
認為是資料量的問題
到這邊沒什麼特別想法就直接寫報告了
我一直都主要是做 CV ，碩論跑去做 3D
對 NLP 非常不熟悉，不知道是否有漏掉關鍵操作
想請同有拿到作業的大神指點
謝謝
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 118.171.131.209 (臺灣)
※ 作者: Sixigma 2023-05-14 01:29:57
※ 文章代碼(AID): #1aNyaNsx (Soft_Job)
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1683998999.A.DBB.html
※ 同主題文章:
[討論] 關於 Dcard ML 實習作業
05-14 01:29 Sixigma
任務如文中所述，是迴歸問題，目標是文章發文後24小時的愛心數
因為有中文標題，故直覺想到就是 BERT，將中文標題 tokenize 後
連同其他 feature 一同 concatenate，送入BERT直接 end2end 訓練出愛心數
推 Tommnny: 這邊跪等神人分享 我們實驗室沒有人上2F 05/14 10:49
不知道實驗室內有沒有其他效果比較好的解法？
推 Bujo: 這個案例建議使用LSTM序列3F 05/14 12:01
謝謝提供思路，但LSTM的話要如何考慮中文標題？
一樣使用word2vec或tokenizer嗎？
推 cilovwx: 雖然我也沒上，但我自己還有另外萃取出判斷個版跟標題是否有分類之類的feature，這兩項做關聯度分析，相關性也不低4F 05/14 13:05
謝謝，確實我幾乎沒有做 feature engineering
是否方便請教後續是用什麼方法回歸出愛心數？
推 DrTech: 你這樣 concatenate bert出來的維度那麼大，變成嚴重主導預測結果。但實際上
但標題實際上根本不太會影響愛心與評論數。光看這點，就覺得你沒有從最基本的業務理解business understanding來解了。
對了，資料量有多打？ 資料量少，用複雜的模型根本沒用。資料量少的話，例如少於幾萬筆，對標題做任何處理可能都沒太大意義。
這題，愛心數，評論數的特徵，相較於標題，標題絕對是雜訊。
HuggingFace tokenizer出來的標題維度很大的，只會讓標題雜訊主導一切。當然沒辦法收斂，很正常。
資料量確實是問題。但人是否會根據標題就評論或點愛心，是你優先需要思考到的。7F 05/14 14:36
謝謝DrTech大的回復，tokenizer出來的embeddings我是有再downsampling的
當時也有考慮到這件事情，我也測試過downsample到4 - 16或其他一些奇淫巧技
也有對tokenizer做regularization等等，但對訓練幫助都不大
至於標題是否影響愛心數，確實實際上不一定
但該資料集提供的特徵數很少，其餘大多都是scalar
相信他們一定希望受試者去分析標題，當然處理整個標題可能不是個好辦法
1-6小時愛心數與24小時愛心數的相關性非常高
故我也在BERT之中嘗試建立使用這些高相關feature的MLP迴歸模型
以及和 XGBoost LightGBM 的 Ensemble
但對訓練並無明顯益處
我在寫這份測驗的時候，並不覺得量化結果會多好，因為僅有約五萬筆資料(文章)
而同時也要展現工程能力，譬如我用 Pytorch-lightning 架構整個
training, monitoring, evaluation pipeline
實作上的能力可能會區分我與其他一部分的面試者
但結果看來可能是有大神直接幹出很好的模型和訓練結果
後續評分項如解題思路、報告呈現和實作能力都沒有被考量了
才很好奇進入面試的大神是怎麼得出很好的預測方法的
感謝您的回覆
※ 編輯: Sixigma (118.171.131.209 臺灣), 05/14/2023 16:03:47
推 cilovwx: 我自己對於標題的作法是單純直接用snownlp去做sentiment polarity 而已，因為我自己認為標題其實只是吸引大家點進去的機率，但按愛心的數量跟內容比較有相關。我的model部分，我記得我一開始用xgboost效果不是很好，所以我後來改用SVR跟一個我自己建的NN模型。但是我那時候也在準備其他事情，所以好像也沒有fine-tuned 得很好21F 05/14 16:44
推 hsuchengmath: 遇到這種 一定是先做基本的統計分析啊，先看 24小時愛心數的分佈，然後分成 多愛心數 和 少愛心數的，然後看哪些特徵 是有用的，最後才建模啊，別在直接套膜了，不會進步的xdd27F 05/14 17:01
推 DrTech: 謝謝你，長文那麼仔細回應互動喔31F 05/14 17:54
→ changecandy: 直接使用BERT做預測的確是個挑戰，原因有很多就不展開了，但你可以考慮換個用法，例如把BERT基於文字所預測的分數當成你主要預測模型的其中一項特徵，這樣也算是引入文字資訊了。32F 05/14 18:43
噓 Matz: 去鴻海第一年150沒問題36F 05/14 21:13
推 email81227: 好奇用哪個BERT Pre-Training的版本？38F 05/15 03:09
推 nistik84114: 中文如果沒在你用的bert的tokenizer裡會直接被忽略喔 確認一下39F 05/15 06:11
→ gamania0258: 話一堆時間寫作業還不給回饋 這間很像挺看得起自己的lul 只能說 沒上是好事41F 05/15 16:04
推 T160: 我做法跟h大說的差不多XD 也是至少花了20小時以上時間搞這project 結果就一封罐頭感謝函 好歹也給個排名吧真的很沒誠意-_-43F 05/15 22:35
--