- 赛事介绍
- 竞赛排行榜
- 奖金记录
- 讨论($vue{comment_count})
- 学习资源
大赛简介
此数据集包含80万条中文短信，内容涉及广告、推销、生活等。
垃圾短信是指未经用户同意向用户发送的用户不愿意收到的短信息，或用户不能根据自己的意愿拒绝接收的短信息，主要包含以下属性：（一）未经用户同意向用户发送的商业类、广告类等短信息；（二）其他违反行业自律性规范的短信息。垃圾短信泛滥，已经严重影响到人们正常生活、运营商形象乃至社会稳定。通过查看短信，确定它是否是垃圾短信 0）非垃圾短信，1）垃圾短信
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
SpamMessage
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 |
| text |
string |
不为空 |
文本 |
| label |
int |
大于等于 0, 小于等于 1 |
分类标签 |
参考文献：
[1]hrwhisper
评审标准
算法输入输出格式
输入字段：
text,
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。
超过 95分 的成绩会在48小时内更新到排行榜，不要着急哦！
batch数据为256，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99.94。
batch数据为32，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99.91。
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99.90。
4
batch数据为128，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99.90。
5
batch数据为16，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99.90。
6
batch数据为512，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99.89。
7
batch数据为128，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99.89。
8
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99.89。
9
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99.89。
10
batch数据为256，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99.89。
11
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99.89。
12
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99.89。
13
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99.89。
14
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99.89。
15
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99.89。
16
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99.89。
17
batch数据为128，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99.89。
18
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99.89。
19
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99.89。
20
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99.89。
21
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99.89。
22
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99.89。
23
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99.89。
24
batch数据为64，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99.89。
25
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99.89。
26
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99.89。
27
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99.89。
28
batch数据为64，循环次数为11次，通过在线上环境完成训练，模型最优精度评分为99.89。
29
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99.89。
30
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99.89。
31
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99.89。
32
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99.89。
33
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99.89。
34
batch数据为99，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99.89。
35
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99.89。
36
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99.89。
37
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99.89。
38
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99.89。
39
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99.89。
40
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99.89。
41
batch数据为64，循环次数为60次，通过在线上环境完成训练，模型最优精度评分为99.89。
42
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99.89。
43
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99.89。
44
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99.89。
45
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99.89。
46
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99.89。
47
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99.89。
48
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99.89。
49
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99.89。
50
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99.89。
51
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99.89。
52
batch数据为128，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99.89。
53
batch数据为128，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99.89。
54
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99.89。
55
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99.89。
56
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99.89。
57
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99.89。
58
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99.89。
59
batch数据为64，循环次数为40次，通过在线上环境完成训练，模型最优精度评分为99.89。
60
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99.89。
61
batch数据为256，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99.89。
62
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99.89。
63
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99.89。
64
batch数据为4，循环次数为256次，通过在线上环境完成训练，模型最优精度评分为99.89。
65
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99.89。
66
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99.89。
67
batch数据为128，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99.89。
68
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99.89。
69
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99.89。
70
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99.89。
71
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99.89。
72
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99.89。
73
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99.89。
74
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99.89。
75
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99.89。
76
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99.89。
77
batch数据为8，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99.89。
78
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99.89。
79
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99.89。
80
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99.89。
81
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99.89。
82
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99.89。
83
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99.89。
84
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99.89。
85
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99.89。
86
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99.89。
87
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99.89。
88
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99.89。
89
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99.89。
90
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99.89。
91
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99.89。
92
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99.89。
93
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99.89。
94
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99.89。
95
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99.89。
96
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99.89。
97
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99.89。
98
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99.89。
99
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99.89。
100
batch数据为64，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99.89。
101
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99.89。
102
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99.89。
103
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99.89。
104
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99.89。
105
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99.89。
106
batch数据为100，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99.89。
107
batch数据为256，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99.89。
108
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99.89。
109
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99.89。
110
batch数据为64，循环次数为64次，通过在线上环境完成训练，模型最优精度评分为99.89。
111
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99.89。
112
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99.89。
113
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99.89。
114
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99.89。
115
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99.89。
116
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99.89。
117
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99.89。
118
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99.89。
119
batch数据为500，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99.89。
120
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99.89。
121
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99.89。
122
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99.88。
123
batch数据为256，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99.88。
124
batch数据为1024，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为99.88。
125
batch数据为128，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99.88。
126
batch数据为500，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99.88。
127
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99.87。
128
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99.87。
129
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99.87。
130
batch数据为256，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99.86。
131
batch数据为500，循环次数为3200次，通过在线上环境完成训练，模型最优精度评分为99.86。
132
batch数据为500，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99.85。
133
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99.85。
134
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99.84。
135
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99.84。
136
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99.84。
137
batch数据为256，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99.84。
138
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99.84。
139
batch数据为500，循环次数为64次，通过在线上环境完成训练，模型最优精度评分为99.84。
140
batch数据为1024，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99.84。
141
batch数据为128，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99.83。
142
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99.83。
143
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99.83。
144
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99.82。
145
batch数据为512，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为99.82。
146
batch数据为500，循环次数为64次，通过在线上环境完成训练，模型最优精度评分为99.82。
147
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99.81。
148
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99.81。
149
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99.81。
150
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99.80。
151
batch数据为256，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99.79。
152
batch数据为500，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99.78。
153
batch数据为64，循环次数为28次，通过在线上环境完成训练，模型最优精度评分为99.77。
154
batch数据为256，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99.76。
155
batch数据为128，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99.74。
156
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99.73。
157
batch数据为128，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99.67。
158
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99.66。
159
batch数据为64，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99.64。
160
batch数据为1，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99.53。
161
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99.53。
162
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99.50。
163
batch数据为128，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99.47。
164
batch数据为2000，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93.19。
165
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90.11。
166
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90.11。
167
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90.11。
168
batch数据为128，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90.11。
- 快来追我呀
-
模型得分为99.9，本次获得排名奖奖金为250元
2019-08-12 15:00:01
- Sunny^_^Today
-
模型得分为99.9，本次获得排名奖奖金为375元
2019-08-12 15:00:01
- gboy
-
模型得分为99.94，本次获得排名奖奖金为625元
2019-08-12 15:00:01
- 快来追我呀
-
模型得分为99.9，本次获得排名奖奖金为250元
2019-07-19 15:00:02
- Sunny^_^Today
-
模型得分为99.9，本次获得排名奖奖金为375元
2019-07-19 15:00:02
- gboy
-
模型得分为99.94，本次获得排名奖奖金为625元
2019-07-19 15:00:02
- gboy
-
模型得分为99.94，本次获得实时奖励奖金为3.73元
2019-07-19 10:30:46
- 太阳花
-
模型得分为99.47，本次获得实时奖励奖金为1.46元
2019-07-15 14:36:52
- 岭南水电工
-
模型得分为99.53，本次获得实时奖励奖金为2.93元
2019-07-15 14:35:32
- Sunny^_^Today
-
模型得分为99.9，本次获得实时奖励奖金为7.86元
2019-07-15 14:34:44
- linlh
-
模型得分为99.87，本次获得实时奖励奖金为11.72元
2019-07-15 14:33:40
- learnFromBest
-
模型得分为99.83，本次获得实时奖励奖金为23.44元
2019-07-15 14:31:02
- Xin Yao
-
模型得分为99.65，本次获得实时奖励奖金为46.88元
2019-07-15 14:21:53
- AiFool
-
模型得分为99.87，本次获得实时奖励奖金为106.75元
2019-07-15 14:19:44
- Perl
-
模型得分为99.71，本次获得实时奖励奖金为229.5元
2019-07-15 14:17:57
- trickornot
-
模型得分为99.17，本次获得实时奖励奖金为397元
2019-07-15 14:17:18
- trickornot
-
模型得分为98.87，本次获得实时奖励奖金为1100.5元
2019-07-15 14:17:03
