- 赛事介绍
- 竞赛排行榜
- 自由练习榜单
- 讨论($vue{comment_count})
- 学习资源
大赛简介
ATEC-问题相似度计算是由蚂蚁金服主办的赛题,在智能客服业务场景中提升用户体验、高效问题匹配、减轻客服压力等方面具有重要的价值。
基于对问题相似度计算研究,FlyAI为优秀的算法研究者提供此类赛题并通过FlyAI训练框架内置Google BERT 预训练模型。以客服业务为切入点,与大家一起探讨在自然语言处理领域的研究价值、普惠金融领域的商业发展价值。
Google BERT简介:2018年谷歌AI团队新发布的BERT模型,在机器阅读理解顶级水平测试SQuAD1.1中表现出惊人的成绩:全部两个衡量指标上全面超越人类,并且还在11种不同NLP测试中创出最佳成绩,包括将GLUE基准推至80.4%(绝对改进7.6%),MultiNLI准确度达到86.7% (绝对改进率5.6%)等。
超过 85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20次,通过在线上环境完成训练,模型最优精度评分为85.68。
batch数据为48,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85.66。
batch数据为100,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85.42。
4
batch数据为48,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85.28。
5
batch数据为64,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85.15。
6
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83.48。
7
batch数据为128,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82.03。
8
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82.00。
9
batch数据为50,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81.99。
10
batch数据为64,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为81.99。
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81.99。
12
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81.99。
13
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81.99。
14
batch数据为64,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81.99。
15
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81.99。
16
batch数据为64,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81.99。
17
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81.99。
18
batch数据为16,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81.99。
19
batch数据为32,循环次数为320次,通过在线上环境完成训练,模型最优精度评分为81.99。
20
batch数据为64,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81.99。
21
batch数据为40,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81.99。
22
batch数据为32,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81.99。
23
batch数据为62,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81.99。
24
batch数据为32,循环次数为1500次,通过在线上环境完成训练,模型最优精度评分为81.99。
25
batch数据为64,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81.99。
26
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81.99。
27
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81.99。
28
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81.99。
29
batch数据为50,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81.99。
30
batch数据为16,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81.99。
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81.70。
32
batch数据为32,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81.57。
33
batch数据为64,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68.26。
34
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42.89。
35
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18.02。
36
batch数据为16,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18.01。
changli
2019-10-31 02:21:07
2019-10-31 02:21:07
85.67
yphacker
2019-08-22 15:59:05
2019-08-22 15:59:05
82.44
弱鸡瑟瑟发抖
2020-01-21 14:33:57
2020-01-21 14:33:57
82.25
4
天才一小本
2019-08-21 04:14:35
2019-08-21 04:14:35
81.99
5
Tulipa
2019-08-22 23:27:41
2019-08-22 23:27:41
81.99
2019-08-25 00:02:33
81.99
7
梦想家
2019-09-10 20:15:38
2019-09-10 20:15:38
81.99
8
早餐奶
2019-09-12 10:21:05
2019-09-12 10:21:05
81.99
9
向凌阳
2019-09-22 16:12:55
2019-09-22 16:12:55
81.99
10
此方一泉
2019-09-25 17:10:18
2019-09-25 17:10:18
81.99
11
EndlessLethe
2019-10-07 00:11:31
2019-10-07 00:11:31
81.99
12
远方1570513997
2019-10-09 13:18:10
2019-10-09 13:18:10
81.99
13
天雨龙马
2019-10-14 22:58:33
2019-10-14 22:58:33
81.99
14
郑行
2019-10-16 16:24:45
2019-10-16 16:24:45
81.99
15
许稳堂
2019-10-21 12:05:01
2019-10-21 12:05:01
81.99
16
rairu
2019-11-13 10:00:39
2019-11-13 10:00:39
81.99
17
路通
2019-11-14 14:52:18
2019-11-14 14:52:18
81.99
2019-11-22 14:15:02
81.99
19
赵勇
2019-11-25 09:09:08
2019-11-25 09:09:08
81.99
20
xxl
2019-11-29 09:43:11
2019-11-29 09:43:11
81.99
21
charlenellll
2019-12-03 18:02:18
2019-12-03 18:02:18
81.99
22
wmqian
2019-12-15 10:18:46
2019-12-15 10:18:46
81.99
23
于斌
2020-03-13 17:53:01
2020-03-13 17:53:01
81.99
24
力口贝世因心
2020-04-15 21:49:54
2020-04-15 21:49:54
81.99
25
江小林
2020-04-19 18:13:46
2020-04-19 18:13:46
81.99
26
菜鸟报到
2020-11-11 19:44:56
2020-11-11 19:44:56
81.99
27
陈志坚
2020-11-19 20:05:54
2020-11-19 20:05:54
81.99
28
yasuo
2020-12-23 17:29:43
2020-12-23 17:29:43
81.99