A hierarchical classification system based on traditional machine learning models (LR, SVC, GBDT, RF) and deep learning models (LSTM + Attention).
The idea of hierarchical classification is similar with Blending / Stacking in Ensemble Learning.
Divide all the features extracted from essays into 5 categories:
- Lexical Features
- Grammar Error Features
- Sentence Features
- Structure Features
- Content Features
将这5大类共91维特征,将其输入层次分类器,得到最终的作文得分预测值。
The hierarchical classifier has 2 layers:
- Combo layer: 31个分类器,对应5类作文特征的所有组合
- input:从作文文本中抽取出的特征向量,按类别的组合拼接特征向量
- output:5类
- label:按作文得分分桶 (bucketize),分为5挡
- Fuse layer: 第一层5个分类器输出的5个向量拼接而成,共15维
- output:16类,对应于初中作文分数范围 [0, 15]
- label:作文得分真值
- python
- sklearn
- numpy
- scipy
- tensorflow
我们使用作文特征数据集来训练和评估层次分类器。
这个数据集可以在这找到:hierarchical-classifier/data/essay_features.csv
使用下面的命令可重现地切分数据集,默认是80%训练集,10%验证集和10%测试集。切分的比例可以通过修改 testset_ratio
自行设定。
cd /path/to/hierarchical-classifier/utils
python3 split_dataset.py
所有特征与其从属的类别的关系写在 conf/feature.config
中,YAML 格式。可以自行添加新的类别和特征。
类别名后带有冒号,每个特征采用区块格式 (block format),也就是短杠+空格作为起始。
例子:
category:
- feature0
- feature1
- feature2
下面的命令可以在作文特征数据集上训练和评估层次分类器,每个分类器都使用 LR,并使用10折交叉验证。
cd /path/to/hierarchical-classifier/src
python3 run.py
--train
--train_files ../data/trainset/essay.train.csv # allow multiple files, separated by space
--dev_files ../data/devset/essay.dev.csv
--test_files ../data/testset/essay.test.csv
--result_dir ../data/results/
--model_type multi
--combo svc
--fuse lr
--cv
--folds 10
You can see the list of available options by running:
python3 run.py -h