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
- 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
- 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
- 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,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:
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。
41
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。
42
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。
43
batch数据为64,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22.53。
44
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。
45
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22.05。
46
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22.05。
47
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。
48
batch数据为64,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18.93。
49
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。
50
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。
51
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。
52
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。
53
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。
54
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。
55
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。
56
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。
57
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11.65。
58
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。