用户商场评价情感分析

分享给好友

剩余奖金 ¥ 1,000

报名参赛

体验云端免费GPU极速训练,还能赢奖⾦!

报名参赛

大赛简介

此数据集涵盖了24 万家餐馆,54 万用户,440 万条评论/评分数据。每条数据包含用户对餐馆的四个维度的评分(总体,环境,口味,服务),评分为从1到5的整数。该数据集适合做推荐系统、情感/观点/评论 倾向性分析

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

  • 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

  • 最终比赛成绩以排行榜显示排名为准
  • 根据作品提交时间先后顺序进行人工审核,审核合格后提交至排行榜
  • 禁止使用外部链接下载代码替换本项目代码
  • 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20%) 所有人 根据基线得分与100分之间,分成5个奖金区间;不同得分区间获得相应的竞赛奖金。
突破奖(总奖金10%) 所有人 更新排行榜最高分数,获得相应的竞赛奖金
排名奖(总奖金70%) 月赛前5名 奖金发放最终以月为单位,前5名获奖占比以K系数表示,分别为:0.45,0.25,0.15,0.1,0.05
不同框架奖励 所有人 获得60FAI币用于GPU训练资源消耗

备注:

  • 上线时间:2019-09-30
  • 月排名奖结算时间:2019-10-30 15:00:00
  • 奖金获取标准:95<Score
  • 获得奖金分为3部分:参与奖、突破奖为审核完毕实时获取的奖金,排名奖需在规定时间结束后根据排名顺序获得
  • 排名奖发放完毕前5名参赛者需提供Markdown格式赛题解决思路(FlyAI提供模版)
  • Bouns表示为:奖金池总金额;Score表示为:模型得分;
  • 同一用户在参与奖中模型得分区间相同无法再次获得奖励
  • 各项奖金获得计算公式参考如下:
  • 参与奖(Participation Award)
  • R表示:得分的区间系数;T表示为:相同得分区间得分人数;
  • 100-标准分:分为5个区间系数;R1(0.02),R2(0.08),R3(0.15),R4(0.25),R5(0.5)
  • 奖金计算公式1
  • 突破奖(Prizes)
  • N表示:第N次更新排行榜;Prizes_N-1表示:排行榜更新后已发放的突破奖金
  • 奖金计算公式2
  • 排名奖(Ranking Award)
  • K表示:排行榜前5名的奖金分配系数,分别为:0.45,0.25,0.15,0.1,0.05;
  • 奖金计算公式3

赛事主题和数据说明

赛题描述

数据来源

MallRatings

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:

字段名 字段类型 取值区间 字段描述
userId int 不为空 用户id
restId int 不为空 引用的id
rating int 大于等于 0, 小于等于 5 总体评分
rating_env int 大于等于 1, 小于等于 5 环境评分
rating_flavor int 大于等于 1, 小于等于 5 口味评分
rating_service int 大于等于 1, 小于等于 5 服务评分
timestamp int 不为空 评分时间戳
comment string 不为空 评论内容

输入字段: comment,

输出字段: rating,

参考文献:

[1]https://github.com/SophonPlus/ChineseNlpCorpus

评审标准

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、PaddlePaddle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。

展开

  • 竞赛排行榜
  • 奖金记录
第三名

提供者:ChangeBio

batch数据为64,循环次数为3000次,损失函数优化完,最终完成评分为46.65。

2019-05-05 10:54:57

46.65

第三名

提供者:探索之路

batch数据为1000,循环次数为10次,损失函数优化完,最终完成评分为41.25。

2019-05-22 21:24:27

41.25

第三名

提供者:云中漫步的云彩

batch数据为32,循环次数为3000次,损失函数优化完,最终完成评分为37.7。

2019-05-11 15:23:04

37.70

4

提供者:凉心半浅良心人

batch数据为80,循环次数为1次,损失函数优化完,最终完成评分为37.65。

2019-06-15 21:37:21

37.65

5

提供者:叫我培基就好了

batch数据为256,循环次数为5000次,损失函数优化完,最终完成评分为34.76。

2019-04-22 09:50:16

34.76

6

提供者:小瑜.R

batch数据为512,循环次数为10次,损失函数优化完,最终完成评分为33.48。

2019-11-22 22:21:18

33.48

7

提供者:紫湘醉

batch数据为512,循环次数为1000次,损失函数优化完,最终完成评分为33.14。

2019-09-11 20:24:41

33.14

8

提供者:Frank1554103461

batch数据为32,循环次数为150次,损失函数优化完,最终完成评分为25.58。

2019-04-15 17:56:24

25.58

9

提供者:LzM_

batch数据为64,循环次数为10000次,损失函数优化完,最终完成评分为25.58。

2019-04-19 15:01:55

25.58

10

提供者:gboy

batch数据为1024,循环次数为100次,损失函数优化完,最终完成评分为25.58。

2019-06-04 16:42:03

25.58

11

提供者:明明就

batch数据为16,循环次数为1000次,损失函数优化完,最终完成评分为25.58。

2019-10-17 21:45:13

25.58

12

提供者:菜菜来了

batch数据为256,循环次数为1000次,损失函数优化完,最终完成评分为25.57。

2019-04-25 13:41:52

25.57

13

提供者:zhiduanqingchang

batch数据为128,循环次数为2000次,损失函数优化完,最终完成评分为23.65。

2019-05-02 06:40:03

23.65

14

提供者:he

batch数据为32,循环次数为10次,损失函数优化完,最终完成评分为8.09。

2019-04-24 16:11:29

8.09

15

提供者:Jtay2019

batch数据为32,循环次数为10次,损失函数优化完,最终完成评分为6.6。

2019-05-07 23:32:38

6.60

16

提供者:learnFromBest

batch数据为256,循环次数为12次,损失函数优化完,最终完成评分为6.41。

2019-07-14 12:00:16

6.41

17

提供者:AI小白

batch数据为128,循环次数为2000次,损失函数优化完,最终完成评分为6.4。

2019-05-17 13:22:01

6.40

18

提供者:侠

batch数据为32,循环次数为160次,损失函数优化完,最终完成评分为6.13。

2019-06-12 19:35:22

6.13

19

提供者:sakuranew

batch数据为1024,循环次数为1次,损失函数优化完,最终完成评分为5.29。

2019-05-31 16:32:00

5.29

20

提供者:致Great

batch数据为64,循环次数为2000次,损失函数优化完,最终完成评分为3.7。

2019-04-13 03:28:03

3.70

21

提供者:Smile婷

batch数据为128,循环次数为1500次,损失函数优化完,最终完成评分为3.67。

2019-04-14 18:58:19

3.67

22

提供者:cnn

batch数据为64,循环次数为30次,损失函数优化完,最终完成评分为3.58。

2019-10-09 07:38:13

3.58

还没有奖金记录哦~ 快去参赛吧!

挑战者大赛 官方交流群

训练记录

你还没有任何提交记录喔...

使用指南

  • windows客户端
  • windows命令行
  • Mac/Linux

1.进入代码编辑页下载当前代码

2.打开运行,输入cmd,打开终端

Win+R 输入 cmd

3.使用终端进入到项目的根目录下

cd path\to\project

4.开启 FlyAI-Jupyter 代码调试环境

在终端执行命令 flyai.exe ide 打开调试环境

操作过程有延迟,请耐心等待

运行 run main.py 命令即可在本地训练调试代码

5.提交训练到GPU

在FlyAI-Jupyter环境下运行 !flyai.exe train 将代码提交到云端GPU免费训练

返回sucess状态,代表提交离线训练成功

训练结束会以微信和邮件的形式发送结果通知

6.下载本地测试数据

首次成功执行本地调试命令后,将在本地代码包中自动生成"data"数据集文件夹

更多参赛帮助请查看文档中心

1.进入代码编辑页下载当前代码

2.本地解压缩代码包文件,双击执行 flyai.exe 程序

第一次使用需要使用微信扫码登录 杀毒软件可能会误报,点击信任该程序即可

3.开启 FlyAI-Jupyter 代码调试环境

运行flyai.exe程序,点击"使用jupyter调试"按钮自动打开jupyter notebook 操作界面

运行 run main.py 命令即可在本地训练调试代码

4.下载本地测试数据

运行flyai.exe程序,点击"下载数据"按钮,程序会下载100条调试数据

5.提交训练到GPU

运行flyai.exe程序,点击"提交GPU训练"按钮,代码将自动提交到云端GPU进行训练

返回sucess状态,代表提交离线训练成功

训练结束会以微信和邮件的形式发送结果通知

更多参赛帮助请查看文档中心

1.进入代码编辑页下载当前代码

2.使用终端进入到项目的根目录下

cd path\to\project

3.初始化环境登录

使用如下命令授权 flyai 脚本: chmod +x ./flyai

4.开启 FlyAI-Jupyter 代码调试环境

在终端执行命令 ./flyai ide 打开调试环境 操作过程有延迟,请耐心等待 运行 run main.py 命令即可在本地训练调试代码

5.提交训练到GPU

在FlyAI-Jupyter环境下运行 !flyai.exe train 将代码提交到云端GPU免费训练 返回sucess状态,代表提交离线训练成功 训练结束会以微信和邮件的形式发送结果通知

6.下载本地测试数据

首次成功执行本地调试命令后,将在本地代码包中自动生成"data"数据集文件夹

更多参赛帮助请查看文档中心

$vue{ errorTip }

发送样例至我的邮箱

已发送

已发送成功

请查收FlyAI官方邮件查看详情 根据样例提高算法评分可以获得积分奖励 用来兑换GPU训练时长

确定

$vue{flag?'报名成功!':'参赛温馨提示'}

通过迭代赛题的样例代码提高模型准确率哦~
准确率越高,奖励越丰富!

查看样例代码

⼤神你好!当前能⼒值⽆法参加新⼿手赛

多给新手一些机会哦~

查看样例代码

打开微信,使用扫一扫功能分享给好友

绑定你的微信账号

用于本地环境登录和实时接收训练通知
参赛提示


申请参赛资格请扫描上方二维码联系FlyAI客服

当前赛题您未在 24小时内 报名参加
参赛资格已失效,如有疑问请联系FlyAI客服

当前赛题您未在 48小时内 提交有效成绩
参赛资格已失效,如有疑问请联系FlyAI客服

参加其他比赛
提交结果文件
提示:每次提交需消耗 100 FAI

仅支持上传 CSV 格式的文件

$vue{csvName}上传成功
取消 确认提交

评估成绩得分

$vue{csv_data.score}
$vue{csv_data.lable}
关闭结果