这里简单介绍一下如何达到0.65分数的baseline：

框架如下图所示，首先将文本（title,asr,ocr）全部拼接起来，然后过一个embedding layer得到文本的embedding。然后视频特征经过一个线性层+激活函数，映射到和文本embedding一样的维度（768），得到视频的embedding。之后将文本和视频的embedding拼接起来，过一个BERT。这里要注意的是文本的embedding layer和BERT都是使用huggingface上已经预训练好的模型作为初始化，如hfl/chinese-roberta-wwm-ext。最后做一下mean pooling在经过一个MLP做200分类即可。剩下的就是调学习率和epoch了。

思考：

这是目前比较直接的一个方案，也没做其他框架的尝试。不过文本只是简单的暴力拼接，我相信应该还有更好的模型框架来处理不同的文本。

最后祝大家上分快乐！