以前没接触过ASC、TSC领域，最开始纠结这是单分类还是多分类问题，走了一些弯路。最终我们回到ASC赛道上，根据直觉，我们设计了一个基于memory的lstm-attention模型，复赛B榜线上在0.69左右，融合最终得分0.70，单模型结构图如下：

后面时间比较紧张，复现今年ASC论文的代码效果都不好，最终排名6/1701，思路如同代码所写，很简单。

原始数据可在比赛数据处下载，由于这次我们问题建模方式比较多，数据预处理代码也比较多，所以我会上传一份处理好的数据(包括处理好的Bert特征和百度百科词向量)放在百度云盘，下载后请解压放在data/目录下。

ELMo哈工大基于pytorch的pretrain版本和我用tf pretrain训练集的效果都不好，但是我也保留了tf pretrain版本代码。

Bert我们没有弄finetune，直接抽取的特征，效果和百度百科词向量相当。

若有任何想法可以提issue或者pull request，也可以微信与我直接讨论。希望大家一起学习进步。

这里最重要的就是我们用的Cudnn版本的lstm，所以需要tensorflow版本大于1.4.0，相应的cuda版本不能用8.0，需要9.0及以上。

都写在jupyter里了，运行src/preprocess/EDA.ipynb生成各种文件，可用看看思路，但是建议直接下载云盘处理好的结果。

数据预处理好即可用直接train模型，单GPU运行，模型请参考src/config.py自选，参数名含义请参考src/train_predict.py：

python train_predict.py --gpu 7 --model aspv0 --feature word --epoch 20 --bs 128 --oe

python stacking.py --gpu 1 --data_type 3

这里是stacking和pesudo label一起做了，请修改代码自选是否用伪标签。

这里数据集比较合适，伪标签有一定提分作用。

修改src/pack_sub_dt2.py里对应stacking生成的pre_path概率结果路径，运行

python python pack_sub_dt2.py

生成提交结果。