kaggle赛题解析：Kaggle 打字与写作质量预测发表时间：2024-01-17 14:06 · 赛题名称：Linking Writing Processes to Writing Quality · 赛题任务：通过打字来预测论文质量 · 赛题类型：数据挖掘、自然语言处理 · 赛题链接： https://www.kaggle.com/competitions/linking-writing-processes-to-writing-quality 比赛介绍在写作过程中，最困难的是总结复杂的行为动作和认知活动。作者可能会使用不同的技巧来规划和修改他们的工作，展示不同的暂停模式，或者在整个写作过程中有策略地分配时间。许多这些小动作可能会影响写作质量。尽管如此，大多数写作评估仅关注最终成果。数据科学可能能够揭示写作过程的关键方面。 这个竞赛的目标是预测文章的整体写作质量。打字行为是否会影响一篇文章的质量？您将开发一个模型，该模型经过大量键盘输入记录的数据集进行训练，这些数据集捕捉了写作过程中的各种特征。 评估指标我们使用均方根误差（Root Mean Squared Error，RMSE）来评分提交的结果，其定义如下：
其中，是每个实例的原始值，ˆ是预测值，n是总实例数。 数据集介绍竞赛的数据集涵盖了大约5000个用户在撰写文章过程中的详细输入日志，其中包括键盘输入和鼠标点击等操作。每篇文章都经过了从0到6的评分。您的目标是根据用户输入的日志来预测文章的评分。 · train_logs.csv § Nonproduction- 事件不以任何方式改变文本 § Input- 事件向文章添加文本 § Remove/Cut- 事件从文章中删除文本 § Paste- 事件通过粘贴输入更改文本 § Replace- 事件将文本的一部分替换为另一个字符串 § Move From [x1, y1] To [x2, y2]- 事件将跨越字符索引 x1、y1的文本部分移动到新位置 x2、y2 § 用作训练数据的输入日志。为了防止重新生成文章文本，所有的字母数字字符输入都已被替换为 "anonymous" 字符；标点符号和其他特殊字符没有被匿名化。 § id- 文章的唯一ID § event_id- 事件的索引，按时间顺序排列 § down_time- 按下事件的时间（以毫秒为单位） § up_time- 弹起事件的时间（以毫秒为单位） § action_time- 事件的持续时间（down_time和 up_time的差值） § activity- 事件所属的活动类别 § down_event- 键盘/鼠标按下时的事件名称 § up_event- 键盘/鼠标释放时的事件名称 § text_change- 事件导致的文本更改（如果有的话） § cursor_position- 事件后文本光标的字符索引 § word_count- 事件后文章的字数 · test_logs.csv- 用作测试数据的输入日志，包含与 train_logs.csv相同的字段。公开版本的此文件中的日志仅用作示例以说明格式。 · train_scores.csv § id- 文章的唯一ID § score- 文章获得的评分（最高6分，是竞赛的预测目标） 赛题赛程· 2024 年 1 月 2 日 - 报名截止日期 · 2024 年 1 月 9 日 - 团队合并截止日期 · 2024 年 1 月 9 日 - 最终提交截止日期 优胜方案第一名https://www.kaggle.com/competitions/linking-writing-processes-to-writing-quality/discussion/467154 团队采用了多模型集成的方法，其中包括了LightAutoML、LGBM、Ridge、以及基于Deberta-v3-xsmall的NLP模型等。 在模型选择方面，团队使用了LGBM、Ridge、LightAutoML denselight、以及NLP模型等多个模型，并通过集成它们的预测结果来提高性能。此外，团队还使用了交叉验证策略来评估模型的稳定性和泛化能力。 最终方案最终的"Private LB 0.557, Public LB 0.575"提交使用了以下8个模型。 MODELS = [ 交叉验证所有模型的交叉验证都是使用以下拆分方式创建的。这可以正确权衡整体集成的模型。 skf = StratifiedKFold(n_splits=5,shuffle=True,random_state=42) 特征工程在特征工程方面，团队使用了多种技巧，包括句子和段落的聚合特征、非空格ngram特征、CountVectorizer和TFidfVectorizer特征等。此外，还使用了一些lagged特征、时间差异和聚合统计等特征，以及对暂停持续时间的统计。对于NLP模型，团队通过重构文章，使用Deberta-v3-base等模型进行训练，以提高文章质量评分的预测性能。 · 句子聚合特征 · 段落聚合特征 · 无空格n-gram特征 · CountVectorizer特征 · TFidfVectorizer特征 · 滞后特征 · 时间差异和聚合统计 · KNNFeature · PCA 第二名https://www.kaggle.com/competitions/linking-writing-processes-to-writing-quality/discussion/466873 https://www.kaggle.com/code/tomooinubushi/2nd-place-solution-training-and-inference-code
数据清理1. 丢弃首次输入前十分钟的事件： 从第一次输入开始的前十分钟的事件可能不具有代表性，因此被丢弃。 2. 修正up times： 对于up times，进行了从零开始且连续增加的修正，以保持一致性。 3. 限制gap times和action times： 对up times和down times进行了修正，以确保它们不会过大（分别限制在十分钟和五分钟内）。 4. 修复Unicode错误： 使用ftfy修复了up events、down events和text change列中的Unicode错误。 5. 丢弃Unidentified用户的事件： 删除了与用户ID 2f74828d相关的事件。 句子重构和特征工程1. 句子重构： 从键盘活动中重构了句子，因为评分仅基于最终文本，这被认为是竞赛中最重要的一部分。 2. 改进句子重构： 对光标位置和文本更改信息与重构文本不匹配的情况进行了修正，使用最近的模糊匹配搜索序列。 3. 修正Undo操作： 如果光标位置和文本更改信息与重构文本不匹配，进行了Undo（Ctrl+Z）操作的修正。 特征工程团队参考了其他一些公开笔记本，并使用了378个特征，包括： · Inter Key Latency、Press Latency和Release Latency的统计信息。 · 每个活动和事件的总计数。 · 达到200、300、400和500字所需的时间。 · 与暂停相关的特征。 · 单词-时间比例、单词-事件比例等。 · 重构文本的统计信息（例如，每句单词数，单词长度等）。 · 重构文本中标点错误的总计数。 · 与暂停和修订突发相关的特征。 · 活动、事件和分类的Inter Key Latency的tf-idf特征。 · 重构文本的单词级和字符级tf-idf特征。 · 基于单词级和字符级tf-idf特征的外部文章分数的预测。 通过使用截断SVD将tf-idf特征的维度降低到64。 使用外部数据由于训练数据规模较小，团队使用了关于文章评估的外部数据，对所有文章进行了匿名处理，并提取了与训练数据相同的tf-idf特征。然后，使用相同的特征提取器在外部数据上训练了light GBM模型，以预测外部分数。这些预测的外部分数被用作增加模型泛化性能的特征。 构建和集成多个模型为了提高得分，使用了树模型和神经网络模型的组合。light autoML的应用是通过学习@alexryzhkov的公共笔记本获得灵感的。表格展示了多个模型的性能，包括LGBRegressor、XGBRegressor、CatBoostRegressor、tabnet等。 模型集成使用线性回归、逻辑回归和平均值等方法对多个模型进行了集成，包括LinearRegressor、LogisticClassifier、Mean等。尝试了前向集成方法，但在CV、公共LB和私人LB得分中并没有带来明显的提升。 后处理最终预测结果进行了简单的剪裁，将预测值限制在0.5到6.0之间，而不是采用四舍五入的方式。 一些建议· LB分数和CV分数的一致性： 作者强调了他的LB分数始终比CV分数差，但认为CV分数更为可信。这种情况可能是由于LB分数的数据分布与训练集相似。 · 效率奖放弃： 由于使用了额外的推理时间，作者放弃了效率奖，选择了使用外部数据来提高模型泛化性能。 · 模型选择中的幸运因素： 作者在模型选择中感到幸运，因为最终的获胜模型是公共LB得分最差的模型。 第三名https://www.kaggle.com/competitions/linking-writing-processes-to-writing-quality/discussion/466775 特征工程+树模型训练 https://www.kaggle.com/code/leonshangguan/gpu-all-in-training-with-context-fe-generation/notebook 方法概述1. 训练Deberta回归器： 使用重建的文章，例如“Essays reconstructed”，通过在Deberta底部添加3个神经网络层，训练了一个Deberta回归器。这个过程遵循了类似于NLP过程（例如Feedback Prize - English Language Learning）的步骤，只是将字符替换为“anonymous”字符q。通过训练Deberta-based回归器，可以达到大约0.75的CV分数。 2. 上下文特征提取： 删除Deberta回归器的最后一层，并使用倒数第二层的输出，即128维向量，作为由语言模型（即Deberta）提取的上下文特征。 3. 特征选择： 基于在公共LB排行榜上表现良好的公共笔记本（主要来自@yunsuxiaozi的Writing Quality(fusion_notebook)）中的特征，训练了lightgbm/xgboost/catboost模型，并保存了特征重要性。然后，从每个模型中选择了前64/128/256个最重要的特征，并取它们的并集。 4. 特征融合： 最终，从公共笔记本和使用Deberta生成的上下文特征中选择的特征进行了串联。同时，训练了lightgbm/xgboost/catboost模型（CV分数在0.588到0.595之间），以及nn模型（mlp/autoint/denselight，CV分数在0.580到0.590之间）。 5. 其他可能性： 由于时间限制，仅训练了一个基于Deberta的模型作为上下文提取器，但作者认为其他语言模型（例如Bert）甚至是llms（例如llama）也值得尝试。由于Deberta和nn模型需要GPU资源，作者没有考虑效率赛道。 一些观点· LB分数的变化： 作者选择相信CV分数，最终在公共LB中取得了第3名的成绩。作者预期会有一些波动，但没有预料到会上升到第3名。 · 模型选择和GPU资源： 由于时间和GPU资源的限制，作者选择只训练了一个Deberta-base模型作为上下文提取器。然而，作者建议尝试其他语言模型和llms，以获得更好的性能。 第四名https://www.kaggle.com/competitions/linking-writing-processes-to-writing-quality/discussion/466906 解决方案是两个部分的集成： · 首先，基于论文级别的热门公共特征构建了一个梯度提升树（GBT）集成。 · 其次，使用最终的论文文本构建了一个deberta模型的集成，该模型在persuade语料库上进行了mlm预训练，其中我们对文章进行了与竞赛训练集相似的模糊处理。我们通过40/60的比率对GBT集成和deberta集成进行加权。 交叉验证我们使用8折交叉验证，在CV和LB之间得到了一些相关性。一个重要的观点是，GBT模型相对于deberta模型具有更好的LB/CV比率。换句话说，Deberta在CV上表现更好，而GBT在CV上相对较差，但在LB上表现良好。这表明LB和训练集之间存在轻微的领域偏移。猜测可能是论文按主题或学生年级分割。
数据预处理与大多数团队类似，我们提取了每篇论文的最终文本，并训练了一个模型来分析它。在使用最终模糊的论文文本时，Deberta模型非常强大。通过将模糊字符q替换为i或X，我们发现了显著的改进。对于这两种情况，可以理解到预训练的debertas在标记化方面比使用q更好。 模型对于GBT集成中的所有模型，我们使用了与@awqatak的公共内核中展示的相同的165个特征。然后，我们训练了一些类似于公共内核的模型。 最终的组件如下： · LGB（使用optuna调整的参数） · XGB（使用optuna调整的参数） · CatBoost（使用公共内核的参数） · Lightautoml（使用公共内核的参数） · 浅层神经网络（Shallow NN） Deberta集成部分之一是在重建的文章文本上训练的transformer模型（Deberta）的集成。 训练过程我们发现，使用MLM目标在persuade语料库上对transformer进行预训练显著提高了CV和LB。为此，persuade语料库中的文章必须与训练集产生的文章类似地进行模糊处理。然后，在第二步中，我们在训练数据上对这些模型进行了微调，添加了额外的特征，如光标位置等，并使用Squeezeformer层提取语义特征。在我们添加的三个特征上，需要大量的dropout/增强。 最终的组件如下： · deberta-v3-base（用i替换q进行训练） · deberta-v3-large（用i替换q进行训练，微调时前12层被冻结以避免过拟合） · deberta-v3-base（用X替换q进行训练） · deberta-v3-base（使用自定义spm标记器进行训练） 集成对于一些模型，我们在[0.5,6.]范围内剪切了预测值，但这并没有真正产生差异。在Deberta集成和GBT集成中，我们使用正Ridge回归对Out-of-fold（OOF）预测进行了融合权重的确定。最终对两个部分的加权是手动完成的，代表我们更信任CV还是LB。对于最终提交，我们选择了50/50内核和一个40/60内核。 第五名https://www.kaggle.com/competitions/linking-writing-processes-to-writing-quality/discussion/466961 https://www.kaggle.com/code/chaudharypriyanshu/light-automl-lgbm-22/notebook 特征工程1. 段落长度（第一、第二、第三……段）：字数和字符长度，一些累积长度特征。 2. 句子长度（第一、第二、第三）：字数和字符长度。 3. 文本中的总大写字母。 4. 文本中的总名词（总大写字母-总句子数）。 5. 添加的非连续单词的数量。 6. 以相同单词开头的句子数（第一个单词，前两个单词，前三个单词）。 7. 基于时间窗口的特征：7/15/22/35分钟前添加了多少单词。 8. 逗号的总数。 9. Tfidf特征ngram（1,1），共20个特征。 10. 更多的标点统计。主要是基于计数。 11. 问号和感叹号的总数。 12. 超过1个字符替换的总数。 13. 基于光标位置的特征，我使用了在重建的文章中存在的光标位置，这样我就知道了实际的标准差。作者将光标与多个位置相关联的次数。 14. 写入具有特定长度的单词的总操作时间。 15. 其余的特征是从公共笔记本中采用的。 建模对于建模，我们的团队使用了4个神经网络，其中包括1个基于1DCNN的模型和3个基于树的模型。 · 深度学习模型 大多数神经网络都是从lightautoML分享的公共笔记本中采用的。我们使用的架构有：
· 梯度提升模型
模型集成· 我们独立地优化了NN和树的权重，并为两者分配了相等的权重。 · 使用Optuna确定每个模型的权重。 最终CV得分为0.5858，LB = 0.578，Private = 0.560。 避免不稳定的策略1. 使用相同的种子进行集成。 2. 不在CV上过拟合，而是试图改善CV和LB并对两者取平均。 3. 通过使用不同的特征集，增加了多样性，因为在不同特征上训练的模型将产生不同的结果。 4. 分别集成了使用提前停止的NN和梯度提升模型（不使用提前停止）。 5. 减小CV-LB之间的差异。这是最重要的。 6. 在相同的种子上训练所有模型。 第六名https://www.kaggle.com/competitions/linking-writing-processes-to-writing-quality/discussion/466945 选定的提交内容交叉验证Kfold - 10折，我们的许多模型都是用多个种子构建的，但折叠保持不变。 特征工程· 波动性特征 - 随时间变化的活动百分比变化。 · P-Burst - （R-Burst效果不佳） · 计数矢量化器特征 · TF-IDF特征与字符和ngram（4,4）即4个字符的单词 · 作文特征 - 单词级别、二元组、三元组 · 具有论文的句子、段落特征 · 用于活动、事件和文本更改的IDF特征 · 输入、非生产和删除/切割活动的顺序特征 · IKI特征（IWI特征效果不佳） · 按键特征 · 输入的打字速度变化特征（WPM） · 仅在TF-IDF和CountVectorizer特征上使用BorutaPy进行特征选择 NN模型在我们的神经网络流水线中，我们采用了一种多方面的方法来处理具有1356个特征的数据集，包括不同类型的特征缩放和复杂的神经网络架构： 特征缩放：对于浮点列，我们应用了三种类型的缩放器：鲁棒缩放器、标准缩放器和功率变换缩放器，每种都旨在根据分布的不同方面对数据进行归一化。对于整数列，使用MinMaxScaler确保值在特定范围内。 神经网络架构： · 第一个NN模型：这是一个混合模型，将1D CNN与LSTM、GRU、RNN和Transformer编码器结合在一起。输出是这些模型的加权平均值，旨在捕捉数据中的空间和时间关系。 · 第二个NN模型：该层使用LSTM和RNN，并带有自注意机制。它从嵌入序列开始，然后通过双向LSTM和单向RNN处理它们，在将结果集成之前对每个序列应用自注意。 · 第三个NN模型：在结构上类似于第二层，但将RNN替换为单向GRU，同样使用自注意并集成输出。这些不同的配置在本地实现了0.590的交叉验证分数，在私人排行榜上为0.568。 集成我们手动选择了权重。我们尝试过NelderMead以及使用Ridge进行堆叠，但我们最终选择了手动选择的权重。 Ridge / NelderMead失败的原因之一是因为模型及其分数的不一致。NN模型的CV低但公共LB高，而LGBM模型的CV与NN相当或更高，但公共LB要好得多。 Ridge / NelderMead会将更高的权重分配给NN模型（CV较低），这在公共LB上不起作用。由于公共LB占测试集的50％，我们手动选择了权重 - LGBM模型为65％，NN模型为35％。 后处理我们将在范围（3.95,4.05）内的值四舍五入为4.0，以及在范围（3.45,3.55）内的值四舍五入为3.5。其他四舍五入的可能性并没有奏效。还将预测裁剪到（0.5,6.0） 第九名https://www.kaggle.com/competitions/linking-writing-processes-to-writing-quality/discussion/466941 基线特征从@awqatak的notebook中选择前100个LGBM特征，使用5折交叉验证（Group-Kfold）的验证策略，提供了CV和LB之间的很好的正相关性。 作文特征工程· no_comma: 作文中逗号“,”的数量 · no_quotes: 作文中引号“"和'的数量 · no_spaces: 作文中空格的数量 · no_dot: 作文中句号“.”的数量 · no_dot_space = np.log(no_dot) * np.log(no_spaces) 使用单词和段落生成词袋=> 90个特征· BOW (words): 对于一篇作文"qq qqqq qq"，词袋是[qq: 2, qqqq: 1] · BOW (paragraphs): 对于带有段落的作文"qqq q qq\n\nqq q qq"，词袋是["qqq q qq": 1, "qq q qq": 1] 作文预测作为特征为了使用作文作为特征，我们在q上训练了一个简单的自定义BPE标记器，用于生成BPE标记，然后在CountVectorizer和TfidfVectorizer中使用ngram_range=(1,3)。最后，分别在两个向量化器上训练了两个LGBM模型，并将它们各自的二进制和回归预测作为另一个特征。 · （x2 essay_binary_preds） § 使用编码/二进制标签作为目标，在Count/Tfidf向量上使用二进制目标和binary_logloss作为指标训练的两个LGBM。 § 如果概率≥0.5，则为1，否则为0。 § 作文CV准确性为86%。 · （x2 essay_regression_preds） § 使用原始标签作为目标，在Count/Tfidf向量上使用回归目标和rmse作为指标训练的LGBM。 § 作文CV rmse为0.614 模型所有模型都使用相同的特征进行训练，并使用optuna进行调整。通过使用Nelder-Mead优化确定了最终权重。
|
