Stanford-Sentiment-Treebank 情感分析

分享给好友

2019-05-16 15:00:00
开始提交

2019-06-15 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 756
参赛权限提示

当前赛题需能力值达到 $vue{itemranking} 才可以正常提交训练哦~

当前赛题仅允许 600 能力值以下的新手可以正常提交训练哦~

报名参赛
  • 赛事介绍
  • 竞赛排行榜
  • 奖金记录
  • 讨论($vue{comment_count})

绑定你的微信账号

用于本地环境登录和实时接收训练通知

打开微信,使用扫一扫功能分享给好友

绑定你的微信账号

用于本地环境登录和实时接收训练通知

温馨提示

$vue{csv_msg}

知道了
提交结果文件

$vue{csvName == '' ? '仅支持上传 CSV 格式的文件' : csvName+' 上传中...'}

$vue{csvName}上传成功
取消 确认提交

提交成功

系统正在测评您的结果文件,

您可通过右侧【我的提交-查看记录详情】进行查看

知道了

大赛简介

随着我们越来越多地通过社交网络分享这些观点,一个结果是创造了大量的情感储备,如果系统地分析,可以提供关于我们在产品,个性和问题方面的集体喜好和不喜欢的线索。

这个项目由斯坦福大学的研究生 Richard Socher 发起,在构建 NaSent 的过程中,Socher 和他的团队从烂番茄网站拿来了 1.2万 个句子,将其拆分为 21.4 万个短语,标记为非常消极、消极、中性、积极、非常积极等,然后将这些数据输入系统之中,并以此为基础对句子做分析。

参赛须知

参赛时间: 本次竞赛无时间限制,长期有效开放

参赛方式

  • 方式一:
  • 在线查看样例根据FlyAI样例模版实现算法并使用云端免费GPU进行模型训练获得最终成绩得分
  • 方式二:
  • 下载FlyAI样例模版进行本地调试并提交到云端使用免费GPU进行模型训练获得最终成绩得分,在本地进行代码调试的教程请查看[文档中心]

参赛选手说明

  • 参赛人员身份信息需保证真实、有效,大赛主办方仅将个人信息用于赛事数据授权及颁奖使用
  • 欢迎海内外的在校学生,算法工程师和所有AI爱好者参与
  • 本次竞赛报名形式:以个人形式本地提交作品线上审核,并且以最终提交算法得分作为唯一有效成绩
  • 在比赛截止日期前,团队中成绩最高分作为本团队的最终成绩
  • 报名成功后请加入FlyAI竞赛交流群,一起学习进步!重要通知也将在群内发布,不要错过哦

比赛作品说明

  • 参赛选手需要配合组委会对比赛作品的有效性与真实性进行验证
  • 不同团队/个人,提交相似结果文件,取消双方所有人员参赛资格
  • 多开小号报名、提交,一经发现将取消参赛资格
  • 禁止使用外部链接下载代码替换本项目代码
  • 比赛过程中,通过脚本获取比赛数据,成绩无效
  • 使用线上测试集进行训练或者使用非官方提供的外部数据进行训练,成绩无效
  • 使用的预训练模型需为FlyAI官方审核通过的模型,使用非官方验证预训练模型,成绩无效
  • 提交的代码具备可解释性并且其它开源框架可复现
  • 所有相似代码将一律不通过审核!!情况多次出现者封号处理
  • 如有发现利用非正常手段作弊行为,奖金一律不发放。之前所获得奖金金额官方有权收回,情节严重者封号处理
  • 提交代码即视为阅读并同意以上比赛作品说明

大赛奖项设置

奖项说明:

奖项设置 获奖人数 奖金额度说明(按最终得分评判)
参与奖(总奖金30%) 所有人 不同得分区间获得相应的竞赛奖金
突破奖(总奖金20%) 所有人 更新排行榜得分,获取相应竞赛奖金
排名奖(总奖金50%) 第一周/月前3名(冠、亚、季军) 项目上线第一周、第一个月; Time_P(周) = 0.5,Time_P(月) = 0.5;K1=0.5,K2=0.3,K3=0.2;
不同框架奖励 所有人 获得60FAI币用于GPU训练资源消耗

赛事主题和数据说明

赛题描述

通过实现算法并提交训练,获取奖金池奖金。小提示:抢先更新算法排行榜,有更大机会获取高额奖金哦!

数据来源

SST

数据描述

由于需要提交代码作品在云端进行训练,参赛数据集不对外开放。仅提供调试数据,可通过使用本地调试的方式获取调试数据集。本地调试和提交指南请查看[文档中心]

字段说明:

文件名 字段名称 字段类型 备注
sentence string 不为空 句子内容
label int 不为空 类别

参考文献:

[1]EMNLP2013_RNTN

评审标准

算法输入输出格式

输入字段: sentence,

输出字段: label,

评审指标说明

  • 准确率(Accuracy):对于给定的测试数据集,预测正确的样本数与实际总样本数之比
  • True,表示预测正确的样本数数量
  • Total Number of Samples,表示实际总样本数数量
  • 计算公式如下:

比赛常见问题说明

Q:比赛使用什么框架?

  • 比赛支持常用的机器学习和深度学习框架,比如TensorFlow,PyTorch,Keras,Scikit-learn、MXNet等。

Q:怎么参加比赛,需不需要提交CSV文件?

  • FlyAI竞赛平台提供免费云端GPU资源,报名后可以使用自己熟练的框架,修改main.py中的网络结构和processor.py中的数据处理;仅部分赛题支持CSV方式提交,请仔细阅读参赛方式相关内容。

Q:比赛排行榜分数怎么得到的?

  • 参加项目竞赛必须实现 model.py 中的predict_all方法。系统通过该方法,调用模型得出评分。

$vue{item.rank_name}

超过 50分 的成绩会在48小时内更新到排行榜,不要着急哦!
第三名

提供者:sakuranew

680.88

batch数据为32,循环次数为15次,通过在线上环境完成训练,模型最优精度评分为95.02。

2019-06-16 10:05:13

680.88

95.02

第三名

提供者:凉心半浅良心人

261.72

batch数据为64,循环次数为3次,通过在线上环境完成训练,模型最优精度评分为94.91。

fastai

bert

2019-08-01 13:21:57

261.72

94.91

第三名

提供者:NLP-Learner

582.44

batch数据为32,循环次数为4次,通过在线上环境完成训练,模型最优精度评分为94.86。

2019-06-14 18:38:00

582.44

94.86

4

提供者:未名湖畔的落叶

1130.86

batch数据为128,循环次数为5次,通过在线上环境完成训练,模型最优精度评分为94.66。

2019-08-14 17:46:45

1130.86

94.66

5

提供者:yphacker

batch数据为32,循环次数为8次,通过在线上环境完成训练,模型最优精度评分为94.47。

2019-09-03 10:10:51

94.47

6

提供者:不拿第一不睡觉

batch数据为32,循环次数为3次,通过在线上环境完成训练,模型最优精度评分为94.45。

2019-10-13 05:28:58

94.45

7

提供者:弱鸡瑟瑟发抖

batch数据为64,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为94.33。

2020-01-23 16:23:03

94.33

8

提供者:初霁

batch数据为64,循环次数为2次,通过在线上环境完成训练,模型最优精度评分为94.28。

2019-10-20 12:24:44

94.28

9

提供者:梁栩健

batch数据为32,循环次数为5次,通过在线上环境完成训练,模型最优精度评分为94.22。

2020-01-30 03:10:09

94.22

10

提供者:infinite

batch数据为64,循环次数为3次,通过在线上环境完成训练,模型最优精度评分为94.21。

2019-12-30 18:01:40

94.21

11

提供者:欧奕旻

batch数据为32,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为92.94。

2019-10-13 12:36:45

92.94

12

提供者:chenfengshf

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为91.95。

paddlepaddle

ERNIE

2019-10-05 22:04:26

91.95

13

提供者:普六茹那罗延

93.75

batch数据为32,循环次数为4000次,通过在线上环境完成训练,模型最优精度评分为91.02。

2019-05-24 22:58:34

93.75

91.02

14

提供者:sishiwu

batch数据为64,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为90.04。

2019-11-14 06:47:35

90.04

15

提供者:Jeremy

batch数据为128,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为89.23。

2019-10-15 20:04:17

89.23

16

提供者:麦小杨

355.44

batch数据为128,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为89.06。

2019-05-30 15:34:30

355.44

89.06

17

提供者:ChangeBio

555.75

batch数据为512,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为87.61。

2019-05-22 17:58:20

555.75

87.61

18

提供者:陈成

1.46

batch数据为512,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为85.58。

Keras

lstm

2019-05-30 15:02:51

1.46

85.58

19

提供者:沙雕网友

380.50

batch数据为128,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为81.93。

2019-05-18 04:54:27

380.50

81.93

20

提供者:玖月初识

28.13

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为79.57。

2019-08-15 20:05:41

28.13

79.57

21

提供者:恋旧却念旧

112.50

batch数据为32,循环次数为3500次,通过在线上环境完成训练,模型最优精度评分为76.47。

2019-05-22 17:33:20

112.50

76.47

22

提供者:菜菜来了

58.13

batch数据为1024,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为75.99。

2019-05-23 00:30:52

58.13

75.99

23

提供者:linlh

batch数据为128,循环次数为2次,通过在线上环境完成训练,模型最优精度评分为58.31。

2019-05-31 11:44:58

58.31

24

提供者:大木淡漠

3.75

batch数据为16,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为55.42。

2019-05-19 18:31:26

3.75

55.42

25

提供者:gboy

batch数据为64,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为55.42。

2019-06-13 01:06:02

55.42

26

提供者:大大大宇子

batch数据为32,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为55.42。

2019-06-16 13:24:34

55.42

27

提供者:hiahiahia

batch数据为16,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为55.42。

2019-06-18 16:32:56

55.42

28

提供者:Jelly1564985141

batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为55.42。

2019-08-05 14:29:03

55.42

29

提供者:Sky*maple

batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为55.42。

2019-08-16 15:02:39

55.42

30

提供者:希乐

batch数据为32,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为55.42。

2019-10-19 19:12:24

55.42

31

提供者:持久战

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为55.42。

2019-10-30 09:19:01

55.42

32

提供者:余浩

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为55.42。

2019-10-30 13:16:29

55.42

33

提供者:sssjjr

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为55.42。

2019-11-13 16:38:34

55.42

34

提供者:树泉

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为55.42。

2019-11-19 23:07:29

55.42

35

提供者:一叶

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为55.42。

2019-11-25 09:08:11

55.42

36

提供者:xsh

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为55.42。

2019-11-28 16:04:37

55.42

37

提供者:abc1574928501

batch数据为64,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为55.42。

2019-11-28 16:26:50

55.42

38

提供者:皮蛋

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为55.42。

2019-11-28 17:25:02

55.42

39

提供者:flyai会员1575879978

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为55.42。

2019-12-09 16:38:28

55.42

40

提供者:Do it

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为55.42。

2019-12-19 17:31:41

55.42

41

提供者:墨菲定律

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为55.42。

2020-02-03 18:07:41

55.42

42

提供者:EchoZhang

batch数据为64,循环次数为120次,通过在线上环境完成训练,模型最优精度评分为55.42。

2020-03-04 16:21:16

55.42

43

提供者:郝泽鹏

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为55.42。

2020-03-12 10:00:17

55.42

44

提供者:洁儿高高

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为55.42。

2020-03-17 23:10:20

55.42

45

提供者:heihei

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为55.42。

2020-03-23 13:02:00

55.42

46

提供者:wmqian

batch数据为64,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为55.42。

2020-04-02 20:58:48

55.42

47

提供者:N丶

batch数据为64,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为55.42。

2020-08-28 22:36:04

55.42

48

提供者:sixgod

batch数据为256,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为53.45。

2019-05-23 16:22:19

53.45

49

提供者:trickornot

batch数据为16,循环次数为4000次,通过在线上环境完成训练,模型最优精度评分为44.58。

2019-05-17 13:58:38

44.58

50

提供者:帮我我不C

batch数据为32,循环次数为5次,通过在线上环境完成训练,模型最优精度评分为44.58。

2019-08-26 19:34:53

44.58

2019-08-16
玖月初识

模型得分为79.57,本次获得实时奖励奖金为28.13

2019-08-16 11:16:09

2019-06-16
凉心半浅良心人

模型得分为94.81,本次获得排名奖奖金为250

2019-06-16 15:00:01

NLP-Learner

模型得分为94.86,本次获得排名奖奖金为375

2019-06-16 15:00:01

sakuranew

模型得分为95.02,本次获得排名奖奖金为625

2019-06-16 15:00:01

sakuranew

模型得分为95.02,本次获得实时奖励奖金为9

2019-06-16 14:47:39

2019-06-15
NLP-Learner

模型得分为94.86,本次获得实时奖励奖金为14

2019-06-15 21:14:44

2019-06-14
NLP-Learner

模型得分为94.62,本次获得实时奖励奖金为2

2019-06-14 14:16:07

NLP-Learner

模型得分为94.57,本次获得实时奖励奖金为8

2019-06-14 13:43:18

2019-06-13
凉心半浅良心人

模型得分为94.18,本次获得实时奖励奖金为11.72

2019-06-13 11:06:40

2019-06-04
NLP-Learner

模型得分为94.42,本次获得实时奖励奖金为183.44

2019-06-04 11:59:38

2019-05-30
sakuranew

模型得分为90.41,本次获得实时奖励奖金为46.88

2019-05-30 10:52:43

2019-05-28
陈成

模型得分为83.41,本次获得实时奖励奖金为1.46

2019-05-28 13:50:45

普六茹那罗延

模型得分为91.02,本次获得实时奖励奖金为93.75

2019-05-28 13:50:34

2019-05-23
麦小杨

模型得分为86.84,本次获得排名奖奖金为250

2019-05-23 15:00:01

ChangeBio

模型得分为87.61,本次获得排名奖奖金为375

2019-05-23 15:00:01

未名湖畔的落叶

模型得分为91.04,本次获得排名奖奖金为625

2019-05-23 15:00:01

未名湖畔的落叶

模型得分为91.04,本次获得实时奖励奖金为23

2019-05-23 13:54:16

未名湖畔的落叶

模型得分为90.48,本次获得实时奖励奖金为414

2019-05-23 13:43:08

菜菜来了

模型得分为75.99,本次获得实时奖励奖金为56.25

2019-05-23 13:42:12

未名湖畔的落叶

模型得分为89.45,本次获得实时奖励奖金为57

2019-05-23 13:41:54

2019-05-22
未名湖畔的落叶

模型得分为87.8,本次获得实时奖励奖金为11.86

2019-05-22 19:29:06

ChangeBio

模型得分为87.61,本次获得实时奖励奖金为24

2019-05-22 19:28:33

麦小杨

模型得分为86.84,本次获得实时奖励奖金为105.44

2019-05-22 13:46:02

2019-05-21
菜菜来了

模型得分为53.86,本次获得实时奖励奖金为1.88

2019-05-21 11:57:21

2019-05-20
大木淡漠

模型得分为55.42,本次获得实时奖励奖金为3.75

2019-05-20 11:25:25

ChangeBio

模型得分为83.69,本次获得实时奖励奖金为30

2019-05-20 11:22:06

ChangeBio

模型得分为82.31,本次获得实时奖励奖金为101.75

2019-05-20 11:21:28

恋旧却念旧

模型得分为73.43,本次获得实时奖励奖金为112.5

2019-05-20 11:21:04

沙雕网友

模型得分为81.93,本次获得实时奖励奖金为380.5

2019-05-20 11:20:31

ChangeBio

模型得分为56.25,本次获得实时奖励奖金为1

2019-05-20 11:17:31

ChangeBio

模型得分为55.42,本次获得实时奖励奖金为24

2019-05-20 11:17:28

讨论
500字
表情
每日优质讨论奖励 20FAI
发送
每日优质讨论奖励 20FAI
删除确认
是否删除该条评论?
取消 删除

挑战者大赛 官方交流群

我的记录

你还没有任何提交记录喔...

使用指南

  • windows客户端
  • windows命令行
  • Mac/Linux

1.进入代码编辑页下载当前代码

2.本地解压缩代码包文件,双击执行 flyai.exe 程序

第一次使用需要使用微信扫码登录 杀毒软件可能会误报,点击信任该程序即可

3.开启 FlyAI-Jupyter 代码调试环境

运行flyai.exe程序,点击"使用jupyter调试"按钮自动打开jupyter lab 操作界面

运行 run main.py 命令即可在本地训练调试代码

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

4.下载本地测试数据

运行flyai.exe程序,点击"下载数据"按钮,程序会下载100条调试数据

5.提交训练到GPU

运行flyai.exe程序,点击"提交GPU训练"按钮,代码将自动提交到云端GPU进行训练

返回sucess状态,代表提交离线训练成功,训练结束会以微信和邮件的形式发送结果通知

项目中有新的Python包引用,必须在 requirements.txt 文件中指定包名,不填写版本号将默认安装最新版

更多参赛帮助请查看文档中心

1.进入代码编辑页下载当前代码

2.打开运行,输入cmd,打开终端

Win+R 输入 cmd

3.使用终端进入到项目的根目录下

cd path\to\project

4.开启 FlyAI-Jupyter 代码调试环境

在终端执行命令 flyai.exe ide 打开调试环境(第一次使用需要使用微信扫码登录)

操作过程有延迟,请耐心等待

运行 run main.py 命令即可在本地训练调试代码

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

5.提交训练到GPU

在FlyAI-Jupyter环境下运行 !flyai.exe train 将代码提交到云端GPU免费训练

返回sucess状态,代表提交离线训练成功,训练结束会以微信和邮件的形式发送结果通知

项目中有新的Python包引用,必须在 requirements.txt 文件中指定包名,不填写版本号将默认安装最新版

6.下载本地测试数据

首次成功执行本地调试命令后,将在本地代码包中自动生成"data"数据集文件夹

7.使用自己的Python环境

flyai.exe path=xxx 可以设置自己的Python路径

flyai.exe path=flyai 恢复系统默认Pyton路径

更多参赛帮助请查看文档中心

1.进入代码编辑页下载当前代码

2.使用终端进入到项目的根目录下

cd path\to\project

3.初始化环境登录

使用如下命令授权 flyai 脚本: chmod +x ./flyai

4.开启 Jupyter 代码调试环境

在终端执行命令 ./flyai ide 打开调试环境(第一次使用需要使用微信扫码登录) 操作过程有延迟,请耐心等待

运行 run main.py 命令即可在本地训练调试代码

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

或使用终端

执行下列命令本地安装环境并调试

./flyai test 注意:如果出现 permission denied 错误,需使用sudo运行

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

执行test命令,会自动下载100条测试数据到项目下

如果使用本地IDE开发,可以自行安装 requirements.txt 中的依赖,运行 main.py 即可

5.提交训练到GPU

在FlyAI-Jupyter环境下运行 !./flyai train 将代码提交到云端GPU免费训练 返回sucess状态,代表提交离线训练成功,训练结束会以微信和邮件的形式发送结果通知

或者在终端下使用 ./flyai train -b=32 -e=10

项目中有新的Python包引用,必须在 requirements.txt 文件中指定包名,不填写版本号将默认安装最新版

6.下载本地测试数据

首次成功执行本地调试命令后,将在本地代码包中自动生成"data"数据集文件夹

7.使用自己的Python环境

./flyai path=xxx 可以设置自己的Python路径

./flyai path=flyai 恢复系统默认Pyton路径

更多参赛帮助请查看文档中心