以网上电商购物评论为例，原始的主题模型主要针对篇幅较大的文档或者评论句子的集合，学习到的主题主要针对整个产品品牌；而现实情形是，用户评论大多针围绕产品的某些特征或内容主题展开（如口味、服务、环境、性价比、交通、快递、内存、电池续航能力、原料、保质期等等，这说明相比于对产品的整体评分， 用户往往更关心产品特征），而且评论文本往往较短。
本次大赛提供脱敏后的电商评论数据。参赛队伍需要通过数据挖掘的技术和机器学习的算法，根据语句中的主题特征和情感信息来分析用户对这些主题的偏好，并以<主题，情感词>序对作为输出。
在最终评测时，我们按照“主题词-情感词-情感值”为最小粒度逐条与标注数据进行比对，若三者均与答案相符，则判为情感匹配正确，否则为错误。 评分计算如下： a) 情感匹配正确数量：tp b) 情感匹配错误数量：fp c) 情感匹配漏判数量：fn1 d) 情感匹配多判数量：fn2
最终根据以上值计算选手的准确率（P）与召回率（R），按照含有度量参数β的Fβ公式进行计算： 准确率：P=tp/(tp+fp+fn2) 召回率：R=tp/( tp+fp+fn1) Fβ的数学定义如下：Fβ=(1+)∗P∗R/(∗P+R) β=1
王新日：https://github.com/xinrisanshao 李雪松：https://github.com/xs-L