- 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
本次立场检测任务旨在自动确定微博作者对某一话题赞成给定topic（FAVOR），反对给定topic（AGAINST），或者两者都不是（NONE）。注意到给定topic可能不在微博文本中。这意味着立场检测不同于传统的目标检测/部分情绪分析。
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
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 |
无时间限制；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 |
无时间限制；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，得分超过基线并通过人工审核后可以实时获取奖金。
数据来源
StenceDet
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。
字段说明：
| 文件名 |
字段名称 |
字段类型 |
备注 |
| ID |
int |
不为空 |
ID |
| TARGET |
string |
不为空 |
topic |
| TEXT |
string |
不为空 |
文本内容 |
| STANCE |
string |
不为空 |
立场分类标签 |
参考文献：
[1]郑海洋, 高俊波, 邱杰, 焦凤. 基于词向量技术与主题词特征的微博立场检测. 计算机系统应用, 2018, 27(9): 118-123.
[2]周耘立,李珊珊.微博立场检测研究综述.四川大学计算机学院,成都,610065.
[3]白静,李霏,姬东鸿.基于注意力的BiLSTM-CNN中文微博立场检测模型.武汉大学计算机学院,湖北,武汉,430072.
[4]周艳芳,周刚,鹿忠磊.一种基于迁移学习及多表征的微博立场分析方法.数学工程与先进计算国家重点实验室,郑州,450001.
评审标准
算法输入输出格式
输入字段：
TARGET,
TEXT,
输出字段：
STANCE,
评审指标说明
- 精确率（Precision，简称为P）：正确预测为正的占全部预测为正的比例
- 召回率（Recall，简称为R）：正确预测为正的占全部实际为正的比例
- F1-Score 是精确率和召回率的一种加权平均，它的最大值为1，最小值为0
- 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 90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81.66。
batch数据为16，循环次数为16次，通过在线上环境完成训练，模型最优精度评分为68.21。
batch数据为32，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67.17。
4
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67.09。
5
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66.57。
6
batch数据为16，循环次数为7次，通过在线上环境完成训练，模型最优精度评分为66.19。
7
batch数据为4，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65.54。
8
batch数据为16，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65.10。
9
batch数据为16，循环次数为6次，通过在线上环境完成训练，模型最优精度评分为63.93。
10
batch数据为32，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63.89。
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63.75。
12
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63.73。
13
batch数据为32，循环次数为9次，通过在线上环境完成训练，模型最优精度评分为63.69。
14
batch数据为32，循环次数为9次，通过在线上环境完成训练，模型最优精度评分为63.56。
15
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63.52。
16
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63.39。
17
batch数据为32，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63.38。
18
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63.17。
19
batch数据为64，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63.09。
20
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62.27。
21
batch数据为32，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61.78。
22
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61.08。
23
batch数据为32，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59.77。
24
batch数据为32，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59.68。
25
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59.65。
26
batch数据为32，循环次数为18次，通过在线上环境完成训练，模型最优精度评分为58.40。
27
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58.13。
28
batch数据为32，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56.84。
29
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56.52。
30
batch数据为32，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53.90。
31
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53.74。
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52.71。
33
batch数据为32，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52.25。
34
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47.98。
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47.70。
36
batch数据为64，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为44.88。
37
batch数据为32，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42.96。
38
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42.40。
39
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42.37。
40
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39.17。
41
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39.17。
42
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39.17。
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39.17。
44
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39.17。
45
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39.17。
46
batch数据为200，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39.17。
47
batch数据为1000，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39.17。
48
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39.17。
49
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39.17。
50
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39.17。
51
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39.17。
52
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39.17。
53
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39.17。
54
batch数据为100，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为39.17。
55
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39.17。
56
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39.17。
57
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39.17。
58
batch数据为64，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39.17。
59
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39.17。
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39.17。
61
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39.17。
62
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39.17。
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39.17。
64
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39.17。
65
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39.17。
66
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39.17。
67
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39.17。
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39.17。
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39.17。
70
batch数据为256，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39.17。
71
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39.17。
72
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39.17。
73
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39.17。
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39.17。
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39.17。
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39.17。
77
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39.17。
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39.17。
79
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为39.17。
80
batch数据为22，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39.17。
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39.17。
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39.17。
83
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39.17。
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39.17。
85
batch数据为16，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39.17。
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39.17。
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39.17。
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39.17。
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39.17。
90
batch数据为32，循环次数为45次，通过在线上环境完成训练，模型最优精度评分为39.17。
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39.17。
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39.17。
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39.17。
94
batch数据为32，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39.17。
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39.17。
96
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39.17。
97
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39.17。
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39.17。
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39.17。
100
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39.17。
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39.17。
102
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39.17。
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39.17。
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39.17。
105
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39.17。
106
batch数据为22，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39.17。
107
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39.17。
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39.17。
109
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39.17。
110
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39.17。
111
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39.17。
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39.17。
113
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39.17。
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39.17。
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39.17。
116
batch数据为512，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39.17。
117
batch数据为32，循环次数为12次，通过在线上环境完成训练，模型最优精度评分为39.17。
118
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39.17。
119
batch数据为32，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39.17。
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39.17。
121
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39.17。
122
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39.17。
123
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39.17。
124
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39.17。
125
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39.17。
126
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39.17。
127
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39.17。
128
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39.17。
129
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39.17。
130
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39.17。
131
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39.17。
132
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39.17。
133
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39.17。
134
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39.17。
135
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39.17。
136
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39.17。
137
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39.17。
138
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39.17。
139
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39.17。
140
batch数据为48，循环次数为6次，通过在线上环境完成训练，模型最优精度评分为35.93。
141
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34.21。
142
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24.49。
143
batch数据为32，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22.17。
144
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18.93。
145
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18.93。
146
batch数据为30，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18.76。
147
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18.76。
148
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18.76。
149
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18.76。
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18.76。
151
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18.76。
152
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7.40。
