第一名解决方案（含代码）

公开 LB（Leaderboard）看起来具有误导性，所以我只关注验证集的性能。由于不清楚验证数据和私有 LB 数据之间是否存在分布偏移，我只考虑在验证数据上构建线性模型，以最大化解决方案的鲁棒性。为了实现这一点，我在 Jigsaw2018 数据上训练模型，并使用预测概率（6个输出）作为输入特征，在验证数据上拟合线性模型。权重通过遗传算法进行优化。我对 Jigsaw2019 数据（7个输出）也做了同样的处理。Ruddit 数据只有一个标签，因此没有在验证数据上进行优化。

下表显示了我所有模型的性能。我只使用了 RoBERTa 和 DeBERTa 模型，因为它们给出了最好的性能。最终提交是 15 个模型的加权排名平均。"-l" 表示我包括了 Jigsaw18 和验证集之间的重复项。