JavaScript ( ES7), 39/50 (78%)

63.5% (127/200) en casos de prueba ocultos

Una heurística simple basada en la longitud del título, el número de espacios y uso del sufijo -ly.

 isOnion = str => str.length ** 0.25 + str.split(" ").length ** 1.25 * 2 + str.split(/ly\b/).length ** 1.75 * 7 > 76  

¡Pruébelo en línea!

Comentarios

• Esto es absurdamente efectivo por lo simple que es.
• Esta solución obtuvo un 63.5% en los casos de prueba ocultos, por lo que es válido.
• No es tan simple como era posible al comienzo de la caja de arena (100%, utilizando diferencias de capitalización antes de que se estandarizara) pero esto es realmente simple.
• @Mego Solo por curiosidad, ¿esta versión NSFW mejora la puntuación en los casos de prueba ocultos? 🙂
• @Arnauld 66% con esa versión

Python 3, 84%

No probado en casos de prueba ocultos.

Esto usa Keras LSTM RNN entrenado en varios titulares. Para ejecutarlo, necesita Keras lo siguiente y el modelo que he puesto a disposición en GitHub: enlace de repositorio . Necesitará el modelo .h5 y las asignaciones de palabra / vector están en .pkl. Las últimas

Las dependencias son:

import numpy as np from pickle import load from keras.preprocessing import sequence, text from keras.models import Sequential from keras.layers import Dense, Embedding, SpatialDropout1D, LSTM, Dropout from keras.regularizers import l2 import re 

La configuración es:

max_headline_length = 70 word_count = 20740 

El modelo es:

model = Sequential() model.add(Embedding(word_count, 32, input_length=max_headline_length)) model.add(SpatialDropout1D(0.4)) model.add(LSTM(64, kernel_regularizer=l2(0.005), dropout=0.3, recurrent_dropout=0.3)) model.add(Dropout(0.5)) model.add(Dense(32, kernel_regularizer=l2(0.005))) model.add(Dropout(0.5)) model.add(Dense(2, kernel_regularizer=l2(0.001), activation="softmax")) 

Ahora para cargar el modelo y la palabra embeddings:

model.load_weights("model.h5") word_to_index = load(open("words.pkl", "rb")) 

Y el código para probar si una cadena es de «NotTheOnion» o «TheOnion «He escrito una función de ayuda rápida que convierte la cadena en las respectivas incrustaciones de palabras:

def get_words(string): words = [] for word in re.finditer("[a-z]+|[\"".;/!?]", string.lower()): words.append(word.group(0)) return words def words_to_indexes(words): return [word_to_index.get(word, 0) for word in words] def format_input(word_indexes): return sequence.pad_sequences([word_indexes], maxlen=max_headline_length)[0] def get_type(string): words = words_to_indexes(get_words(string)) result = model.predict(np.array([format_input(words)]))[0] if result[0] > result[1]: site = "NotTheOnion" else: site = "TheOnion" return site 

Explicación

Este código ejecuta una modelo que analiza las relaciones entre palabras representando las palabras como un «vector». Puede obtener más información sobre la inserción de palabras aquí .

Esto se basa en titulares, pero los casos de prueba están excluidos .

Este proceso se automatiza después de bastante procesamiento. He distribuido la lista final de palabras procesadas como .pkl pero lo que sucede en la incrustación de palabras es que primero analizamos la oración y aislamos las palabras.

Después de ahora tener las palabras, el siguiente paso es poder comprender las diferencias y similitudes entre ciertas palabras, por ejemplo, king y queen versus duke y duchess. Estas incrustaciones no ocurren entre las palabras reales sino entre los números que representan las palabras, que es lo que se almacena en el .pkl archivo. Las palabras que la máquina no entiende se asignan a una palabra especial <UNK> que nos permite entender que hay una palabra allí, pero que no se sabe exactamente cuál es su significado.

Ahora que se pueden entender las palabras, es necesario poder analizar la secuencia de palabras (título). Esto es lo que hace «LSTM», un LTSM es un tipo de celda «RNN» que evita el efecto de degradado que se desvanece. Más simplemente, toma una secuencia de palabras y nos permite encontrar relaciones entre ellas.

Ahora la capa final es Dense lo que básicamente significa que es como una matriz, lo que significa que la salida es como: [probability_is_not_onion, probability_is_onion]. Al encontrar cuál es más grande, podemos elegir cuál es el resultado más confiable para el título dado.

Python 3 + Keras, 41/50 = 82%

83% (166/200) en casos de prueba ocultos

import json import keras import numpy import re from keras import backend as K STRIP_PUNCTUATION = re.compile(r"[^a-z0-9 ]+") class AttentionWeightedAverage(keras.engine.Layer): def __init__(self, return_attention=False, **kwargs): self.init = keras.initializers.get("uniform") self.supports_masking = True self.return_attention = return_attention super(AttentionWeightedAverage, self).__init__(**kwargs) def build(self, input_shape): self.input_spec = [keras.engine.InputSpec(ndim=3)] assert len(input_shape) == 3 self.W = self.add_weight(shape=(input_shape[2], 1), name="{}_W".format(self.name), initializer=self.init) self.trainable_weights = [self.W] super(AttentionWeightedAverage, self).build(input_shape) def call(self, x, mask=None): logits = K.dot(x, self.W) x_shape = K.shape(x) logits = K.reshape(logits, (x_shape[0], x_shape[1])) ai = K.exp(logits - K.max(logits, axis=-1, keepdims=True)) if mask is not None: mask = K.cast(mask, K.floatx()) ai = ai * mask att_weights = ai / (K.sum(ai, axis=1, keepdims=True) + K.epsilon()) weighted_input = x * K.expand_dims(att_weights) result = K.sum(weighted_input, axis=1) if self.return_attention: return [result, att_weights] return result def get_output_shape_for(self, input_shape): return self.compute_output_shape(input_shape) def compute_output_shape(self, input_shape): output_len = input_shape[2] if self.return_attention: return [(input_shape[0], output_len), (input_shape[0], input_shape[1])] return (input_shape[0], output_len) def compute_mask(self, input, input_mask=None): if isinstance(input_mask, list): return [None] * len(input_mask) else: return None if __name__ == "__main__": model = keras.models.load_model("combined.h5", custom_objects={"AttentionWeightedAverage": AttentionWeightedAverage}) with open("vocabulary.json", "r") as fh: vocab = json.load(fh) while True: try: headline = input() except EOFError: break tokens = STRIP_PUNCTUATION.sub("", headline.lower()).split() inp = numpy.zeros((1, 45)) for i, token in enumerate(tokens): try: inp[0,i] = vocab[token] except KeyError: inp[0,i] = 1 print(model.predict(inp)[0][0] > 0.3) 

combined.h5 y vocabulary.json se pueden recuperar de aquí (muy grande) y aquí .

Clasificador completamente conectado conectado a un modelo de análisis de sentimientos previamente entrenado DeepMoji, que consiste en LSTM bidireccionales apilados y un mecanismo de atención. Congelé las capas de DeepMoji y saqué la capa final de softmax, entrené solo las capas completamente conectadas, luego descongelé las capas de DeepMoji y las entrené juntas para un ajuste fino. El mecanismo de atención se toma de https://github.com/bfelbo/DeepMoji/blob/master/deepmoji/attlayer.py (no quería tener que usar todo su código como una dependencia para una clase, especialmente porque es Python 2 y es bastante difícil de manejar como módulo …)

Esto funciona sorprendentemente mal en el conjunto de pruebas de Mego, considerando que en mi propio conjunto de validación más grande obtiene> 90%. Así que todavía no he terminado con esto.

Comentarios

• 83% en casos de prueba ocultos, asumiendo que lo ejecuté correctamente

JavaScript ( Node.js ), 98% (49/50)

96% (192/200) en casos de prueba ocultos

 const words = require("./words"); const bags = require("./bags"); let W = s => s.replace(/[^A-Za-z0-9 ]/g, "").toLowerCase().split(" ").filter(w => w.length > 3); let M = b => { for (let i = 0; i < bags.length; i++) { let f = true; for (let j = 0; j < bags[i].length; j++) if (!b.includes(bags[i][j])) { f = false; break; } if (f) return true; } return false; }; let O = s => { let b = []; W(s).forEach(w => { let p = words.indexOf(w); if (p >= 0) b.push(p); }); return (b.length > 0 && M(b)); };  

Esto requiere dos archivos JSON grandes que «no puedo poner aquí o en » TiO «. Descárgalos de los siguientes enlaces y guárdalos con words.json y nombres, en la misma carpeta que el archivo JS. También hay un enlace para un archivo JS con casos de prueba e impresión de resultado / porcentaje.Puede poner sus casos de prueba ocultos en las variables onions y nonOnions.

• words.json
• bags.json
• onion.js (esto incluye casos de prueba predeterminados)

Después de guardar los 3 archivos en el mismo directorio, ejecute node onion.js.

La función O devolverá true si es cebolla y false si no es «t. Utiliza una gran lista de bolsas de palabras (sin orden) para detectar si la cadena de entrada es una cebolla. Algo codificado, pero funciona muy bien en una variedad de pruebas aleatorias casos.

Comentarios

• Esta solución obtiene un 96% de los casos de prueba ocultos

Trabajando con la solución de Arnauld

JavaScript (ES6), 41/50

64% (128/200) en oculto casos de prueba

str.includes("Dad") || str.length ** .25 + str.split(" ").length ** 1.25 * 2 + str.split(/ly\b/).length ** 1.75 * 7 > 76 

JavaScript (ES6), 42/50

62.5% (125/200) en casos de prueba ocultos (no válido)

isOnion = str => str.includes("Dad") || str.length ** .25 + str.split(" ").length ** 1.25 * 2 + str.split(" ").filter(w => w.length > 3 && w.split(/ly/).length > 1).length * 23.54 + /\d/.test(str) * 8 > 76 

La longitud + recuento de palabras + «ly «El concepto funciona bastante bien, pude exprimir algunos puntos más al verificar la palabra» papá «(¿cuándo los artículos reales hablan sobre los papás de las personas en la tercera persona del título?) y un punto adicional al cambiar la heurística de búsqueda «ly» y la comprobación de la presencia de números en el título (que podría ser menos válido en el caso general fuera de la prueba, así que dejé ambas soluciones)

Comentarios

• No ‘ no sé acerca de la parte de papá … me parece un poco como optimizar el caso de prueba …
• Y sí, puedo encontrar muchos artículos de Not the Onion que mencionan a los papás
• Hay ‘ probablemente una mejor manera de hacerlo como parte de la heurística y no solo un duro » win » si contiene papá, pero me imagino que incluso fuera de la base de datos de prueba se habla de forma abstracta sobre un » Dad » es más común en The Onion
• Su primera solución obtuvo un 64% en los casos de prueba ocultos, por lo que es válida. Su segunda solución obtuvo un 62,5% en los casos de prueba ocultos, por lo que no es válida.
• @Mego Qué margen tan estrecho …