Identifikation af forfatteren til nogle vers

Problembeskrivelse

Der gives et datasæt med digte på rumænsk, hver skrevet af en af de 7 forfattere. Digtene er efterfølgende blevet opdelt i grupper af 4 vers hver.

De 7 forfattere er:

• Ana Blandiana
• George Bacovia
• George Toparceanu
• Grigore Vieru
• Lucian Blaga
• Mihai Eminescu
• Vasile Alecsandri

En gruppe af 4 vers kan repræsentere:

• En komplet strofe (katren)
• En del af en større strofe (5, 6, 7 vers, osv.)
• En kombination mellem de sidste linjer fra en strofe og de første linjer fra den næste strofe

Formålet med problemet er at bygge en model, der kan forudsige forfatteren af en gruppe på 4 vers.

Tilgængelige filer

train.csv

Datasættet til træning, indeholdende følgende kolonner:

• Id – unik identifikator for versgruppen
• Versuri – indholdet af 4 vers
• Autor – forfatteren af versene

Eksempel:

test.csv

Datasættet til test, som ikke indeholder kolonnen Autor:

• Id – unik identifikator
• Versuri – indholdet af 4 vers

Eksempel:

Format for indsendelsesfile

Indsendelsesfile skal være en CSV med følgende kolonner:

• Id – identifikatoren for versgruppen
• Autor – den forudsagte forfatter

Eksempel:

Bemærkninger

• Modellerne kan bruge enhver teknik til naturlig sprogbehandling og machine learning.
• Evalueringen vil blive foretaget baseret på nøjagtigheden af forudsigelserne.

Evaluering

Forudsigelserne vil blive sammenlignet med de reelle sprog og nøjagtigheden vil blive beregnet:

1accuracy = (antal_korrekte_forudsigelser / samlet_antal_forudsigelser)

Den endelige score beregnes baseret på den opnåede nøjagtighed ved hjælp af følgende regler:

• accuracy ≥ 0.9 → 100 point
• accuracy ≤ 0.5 → 0 point
• For mellemværdier tildeles proportional score mellem 0 og 100.