时序数据与Embedding
01 蛋白质序列
第一次在非典型NLP领域看到Embedding是在“基于人工智能的药物分子筛选”比赛中，这个比赛任务是根据蛋白质序列来预测蛋白质和小分子之间的亲和力数值。
这个开源还是小伍哥的开源，使用蛋白质序列训练一个词向量，然后使用LightGBM进行训练。小伍哥在2年前都这么帅了，赞！
texts = [[word for word in re.findall(r'.{3}',document)]for document in list(protein_concat['Sequence'])]model = Word2Vec(texts,size=n,window=4,min_count=1,negative=3,sg=1,sample=0.001,hs=1,workers=4)
这是一个两年前的比赛，当然Top获奖方案还是需要使用一些领域知识。所以在没有领域知识的情况下或许无脑Embedding是一个不错的选择。
https://www.pkbigdata.com/common/bbs/topicDetails.html?tid=1025
https://www.pkbigdata.com/common/bbs/topicDetails.html?tid=1377
02 病毒序列
第二次在非典型NLP比赛中看到Embedding是在“第三届阿里云安全赛”中，这个比赛任务是需要根据程序的API序列进行分类。
这场比赛我参加过，也因此在线下赛认识了大白。安全赛中也是不同的病毒API是一个单词，执行序列组成一个样本。
03 船舶序列
这场比赛大白也参加了，每个渔船id的速度、经纬度看做是一个序列信息，利用速度、经纬度的分位数统计量，将浮点特征分桶转成一个类型特征。
使用深度学习的word2vec的CBOW算法无监督训练，获取经纬度(x-y)和速度(speed)的类型向量，每个渔船id的经纬度和速度向量取平均作为特征，这个思路和Fasttext比较类似。
大白的分享：
【时序多分类赛题】2020数字中国创新大赛-智慧海洋建设top5方案（含源码）
04 APP序列
最近一次是在易观用户性别年龄预测比赛中遇到，这也是一个非典型的NLP比赛，赛题任务需要根据用户手机APP使用序列来对用户的年龄和性别进行分类。
在易观这场比赛中，chizhu获得了冠军，我是亚军。这场比赛的核心也是APP序列建模，使用Embedding构建特征。
chizhu在易观的分享：
https://github.com/chizhu/yiguan_sex_age_predict_1st_solution
看到这里，有没有发现本次腾讯赛的赛题也是这个路子。大赛的题目尝试从另一个方向来验证这个假设，即以用户在广告系统中的交互行为作为输入来预测用户的人口统计学属性。
可扫码加入Datawhale竞赛学习社群
在社群中，交流、讨论和组队算法赛事。
如果加入了之前的社群，请不需要重复添加！
▲长按加群
若进群失败，可加负责人微信后，再回复关键词 - 计算机视觉 即可进群。
