PTT評價

Re: [討論] 關於 Dcard ML 實習作業

看板Soft_Job標題Re: [討論] 關於 Dcard ML 實習作業作者
EvilSD
(星塵遠征君)
時間推噓 7 推:8 噓:1 →:23

: 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


來雲一下我可能會怎麼做

如果假設我沒理解錯誤題目的話,應該基於給予的前六小時的資料,
去預測未來24小時候的愛心數吧?


首先這題目我可能就不會考慮用NLP來做處理,主要是資料量可能不足
再加上中文NLP來做除了麻煩外效果可能也不會太好

想法是有了1~6小時的愛心數跟評論量,預測未來24小時的愛心數
基本上標題文字的意義其實可能就不是那麼重大,有強烈特徵的可能只是一兩個關鍵字
而且有了前六小時的數據,基本上不用標題也能夠推估未來的數字

所以覺得這題比較難的是,你沒有6小時之後的資料,所以很難預估一個趨勢
(除非有給完整趨勢資料)

因此我會將看板資訊轉成單純數字的Label,
或是可以取得與看版相關的人氣值正規化後做代替
將標題做關鍵字提取,並且做文字雲把重複的強烈關鍵字與留言愛心數做對應,
重新建一個特徵值

接下來就有完整的特徵值資料,做一下特徵值的關聯性或是強度分析
挑幾個覺得強烈的出來訓練一個模型即可(ML與DL都可以)
(應該用LSTM效果比較好)


基本上能簡單做就不會想太複雜處理,單純一個想法也確定可不可行,供大家討論參考

--
那片有座高塔哭著朝北方奔去的天空,是我此刻片尋不著的風景

--

※ PTT 留言評論
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 118.166.82.176 (臺灣)
PTT 網址

hsuchengmath05/16 07:55為啥會沒有24小時後的資料,dcard文章不是一大堆,

hsuchengmath05/16 07:55隨便爬都有啊

我不知道他們題目有沒有說可以拿外部資料,只為了符合遊戲規則而已 如果是我理解這樣,這題目其實比較有點類似工業界的生命預估

oopFoo05/16 07:56我也覺的是這個方向,但關鍵字應該也是重要,但關鍵字如何

oopFoo05/16 07:57提取,應該是dl訓練出來的。我覺的這題關鍵是如何提取關鍵

oopFoo05/16 07:58字,不然有6小時的資料應該很容易預測24小時的愛心數。

oopFoo05/16 08:02而且給time series的資料,應該就是想用transformer

能簡單就比較不會想複雜用,雖然不確定考官想要的方向是什麼

DrTech05/16 11:105萬筆資料用transformer 去over-fitting? 資料量那麼少,

DrTech05/16 11:10模型用那麼複雜,效果好也是運氣

DrTech05/16 11:12沒有對錯,純個人不同看法。

認同

※ 編輯: EvilSD (59.120.53.15 臺灣), 05/16/2023 12:23:10

ekids123405/16 12:27transformer 一般來說要到哪個數量級才勉強及格 ?

如果在NLP感覺至少也要數十萬以上才夠用 但目前的題目是只要抓標題,文本量很少因此我猜五萬筆是足夠的 只是如果今天拿去測外部資料會不會準,就不知道了

oopFoo05/16 13:01我猜現在所有人都在用bert/gpt,找intern應該也是想要延續

oopFoo05/16 13:01公司正在做的,transformer也許不是最適合這題,但可能是

oopFoo05/16 13:03dcard想找的人。只是盲猜,提出來聊聊。面試,考題,機運

oopFoo05/16 13:03蠻重要的。

oopFoo05/16 13:12這種"標題"對"星星"的decoder應該很簡易訓練,反正資料少

的確考量考官想看的差異度會很大,有些考官喜歡看新東西新技術,有些考官喜歡實用性

h92003205/16 13:38用BOW就夠了吧

真是懷念XD 但依我原先的想法用BOW應該就是最直接的了

※ 編輯: EvilSD (59.120.53.15 臺灣), 05/16/2023 14:01:23

penniless05/17 13:58挑一個預訓練的中文模型,五萬條fine tune transformer

penniless05/17 13:58 很夠了... 2023了沒人在train from scratch

brucetu05/18 00:00你在講什麼 自己改題目? 還沒發文哪來的前六小時?

DrTech05/18 00:05用transformer,尤其是直接標題放進去train就是準備 over-

DrTech05/18 00:05fitting啊,ML基本常識。 BERT Embedding+ 下游小模型,我

DrTech05/18 00:05還覺得稍微有點ML常識。

DrTech05/18 00:06這吳恩達的deep learning或各種ML經典教科書都有寫吧。資

DrTech05/18 00:06料量少要用小模型。

DrTech05/18 00:10或者把 transformer或BERT的layer抽掉幾層成為較小模型也

DrTech05/18 00:10可。用小模型是為了降低模型的Variance,這基本常識吧。

DrTech05/18 00:12這就是為什麼原PO用XGBoost LightGBM ,反而效果可能好

oopFoo05/18 08:49這就是很詭異的地方,現在用LLMs,用少少的data fine tune

oopFoo05/18 08:50效果奇異的好。也許LLMs裡的"知識"夠多,adaptation效果

oopFoo05/18 08:52奇佳。在twitter上看到一些專研NLP的學者有點垂頭喪氣,說

oopFoo05/18 08:52以後不用研究了

brucetu05/18 20:04這也不是今年才這樣 沒人在from scratch了