沉睡警长的星座

沉睡警长的星座

来自狂野西部的挑战

注意

你可以显式使用加载了权重的预训练语言模型（例如：BERT、RoBERTa、sentence-transformers）。完全允许使用 GPU 加速进行训练和推理。同时也允许并鼓励使用基于 TF-IDF 的经典 NLP 流水线。

故事背景

1883 年，新墨西哥州干旱的平原上。

老警长克莱姆·达德利（Clem Dudley）有一个副官们从未理解的习惯：每天晚上，无论白天多么漫长，他都会把帽子放在马鞍上，躺在毯子上，直视天空。

“星星不会撒谎，”他常说，“无论是逃犯、流浪汉还是诚实的人——大家看到的都是同一片天空。”

八月的一个夜晚，在沙漠中追捕维加帮三天后，精疲力竭的克莱姆躺在墨黑色的天空下，繁星点点，比他数过的还要多。当他试图入睡时，星星开始移动——起初很慢，像残火中被风吹动的余烬。然后越来越快。它们在彼此之间划出线条。三角形、螺旋、动物、数字。那些他叫不出名字的形状。

“一定是太热了，”他咕哝着，但依然注视着。

形状变成了文字。不是说出来的——而是感受到的。每个星座似乎都承载着一种意义、一种重量，一个挂在上面的故事，就像警长告示板上的通缉令。他伸手去拿铅笔想记下来，就在那时——一切都消失了。

他在另一个地方醒来。

星际之地。他们是这样称呼它的。

那是一片广阔而寂静的领域，天空即是大地，星座即是村庄——每个村庄都是一组排列成某种形状的星星，每个形状都有一个名字，等待着与它的故事相匹配。这片土地的居民，星之书记员，几个世纪以来一直保持着细致的记录：日记、诗歌、旅程日志、传说——所有这些都是由在地球上仰望过同样星形的人们写下的。

但出了差错。一场巨大的天体风暴——当地人称之为“散落（The Scattering）”——撕碎了每个星座上的标签，将它们抛向风中。现在，数以千计的文本脱离了它们曾经描述的星形，漂浮在空中，星之书记员再也无法分辨哪个故事属于哪片天空。

克莱姆被授予了一枚星光徽章和一条简单的指令：

“把文字重新匹配到星星上，警长。在下一场风暴到来之前。”

任务

你将获得一组星座，每个星座由形成几何形状（例如：十字、螺旋、五角形、数字 6、7、8，数字组合等）的一系列 2D 点描述。你还将获得一个庞大的候选文本片段池——日记条目、传说、描述——每个片段最初都是关于一个特定星座的。

你的目标是构建一个模型，能够仅根据坐标几何与文本内容之间的语义和结构关系，准确地将池中的每个文本分配给相应的星座。

数据结构

训练集

train.csv 包含 300 对带有标签的星座-文本对：

• 每个星座 ID 出现 40-65 次，带有轻微的几何变化（噪声、旋转、缩放）。

测试集

test.csv 包含 50 组不带标签的星座序列（datapointID 1-50）：

每个 datapointID 出现 40-65 次。不提供文本标签。

候选文本

candidates.csv 包含 500 个文本片段：

• 这 500 个文本中恰好有 50 个是 50 个测试星座的正确匹配项。
• 其余 450 个是干扰项。
• 文本具有文学性质——其中不会出现直接的几何词汇。

提交格式

提交文件必须为 CSV 格式，包含以下列：

50 个测试 datapointID 中的每一个都必须恰好出现一次。

示例：

1subtaskID,datapointID,answer21,1,4231,2,31741,3,4675...

评估指标

准确率 (Accuracy，相当于 F1-macro)

每个预测都作为 500 个候选文本 ID 上的单标签分类进行评估。预测要么正确 (1)，要么错误 (0)。

最终指标为 正确预测数 / 50。

评分函数

原始分数使用带有最小阈值的线性函数转换为比赛积分：

简而言之：你必须正确匹配 50 个星座中的至少 15 个 (accuracy = 0.30) 才能获得分数，而正确匹配 43 个或更多 (accuracy >= 0.85) 将获得满分。

“星星不会撒谎。你可以信任一颗星星，胜过信任一个人……” —— 警长克莱姆·达德利，1883 年