警告
首先，祝贺所有的获胜者。
虽然非常幸运地获得了金牌，但这个结果可能90%（甚至更多？）只是运气好而已。
因此，我的解决方案可能对大家来说并不是那么有趣、特别或有价值。
我所做的仅仅是：
- 在 Kaggle 数据集中搜索额外的数据
- 使用一些库来获取文本的毒性评分
- 构建特征并训练简单的 LightGBM 模型
如果没问题的话，请阅读我的解决方案（或者说是我的诗）。
四行概述
步骤1：使用大量数据集的 TF-IDF 训练 Ridge 回归器
步骤2：毒性预测库
步骤3：将 validation_data.csv 转换为“更具毒性比率”用于训练
步骤4：使用这些特征和额外的朴素特征训练 LightGBM
概览图
步骤1：使用大量数据集的 TF-IDF 训练 Ridge 回归器
1-1：阅读 Ridge 回归 Notebook
我从这个 Ridge 回归 Notebook 开始。
该 Notebook 的内容包括：
- 使用 TF-IDF 进行向量化
- 结合大量外部数据的 Ridge 回归
- 对 Ridge 结果进行暴力加权
（这非常占用内存，所以我无法对太多模型进行加权）
在阅读并运行了这个 Notebook 后，我想到了：
- 外部数据越多，我能做出的预测就越多样化
- 我认为需要多样化的预测器，因为分数是由许多工作人员平均得出的。
- 通过另一种方法对 Ridge 结果进行加权
- 最终，我选择了 LightGBM 来对 Ridge 结果进行最佳加权。
1-2：搜索额外数据
该 Notebook 包含以下用于训练 Ridge 回归的数据：
- Ruddit 数据
- 之前的 Jigsaw 数据
而我添加了：
- 维基百科数据
- 动态生成的仇恨言论数据集
- 恶意评论分类数据集
我使用它们来训练 Ridge 回归器，并使用该回归器的输出来训练 LightGBM。
（接步骤4）
步骤2：调用毒性预测库
我使用了 Detoxify。这是一个通过基于 Bert 的模型训练而成的毒性评分库，使用了过去的 Jigsaw 竞赛数据。
我还找到了一个离线运行 Notebook。
该库有三种预