题目内容

你拥有一批服务评价数据，每条记录包含一段用户评论文本和若干数值指标（如等待时长、消费金额等），以及对应的二分类标签（1 表示不满意，0 表示满意）。

你需要按以下七步流程建立预测模型，并对一组新的评价记录进行预测：

1. 词级加权编码
   对评论文本使用词级加权向量化：全部转为小写，剔除英文停用词，提取一元和二元词组，并采用亚线性词频缩放。

2. 字符级三元组编码
   对评论文本使用字符级三元组加权向量化：以字符为单位、提取连续三元组，同样转为小写并采用亚线性缩放。

3. 数值特征变换
   将数值指标每一列标准化（零均值单位方差），再进行二次多项式展开（不含偏置项）。

4. 特征合并
   将上述三组特征矩阵横向拼接为一个稀疏矩阵。

5. 模型 A
   使用带 $\ell_2$ 正则化的逻辑回归，正则强度 $C=1.0$，求解器为 liblinear，最大迭代 $1000$，随机种子固定。

6. 模型 B
   使用对数损失和 $\ell_2$ 正则化的随机梯度下降分类器，正则化系数 $\alpha=10^{-4}$，最大迭代 $1000$，随机种子固定。

7. 软投票融合
   取两模型预测正类概率的平均值，若平均值大于 $0.5$ 则判定为不满意（标签 1），否则判定为满意（标签 0）。

所有随机源均固定为 random_state=42。仅允许使用 numpy、pandas 和 scikit-learn 三个库。

数据约束：

• 训练与测试的评论文本总条数不超过 $10^4$，每条文本长度不超过 $200$；
• 数值特征的维度（每行内数值个数）不超过 $5$；
• 所有数值的绝对值不超过 $10^6$；
• 训练标签只取 $0$ 或 $1$。

输入描述

输入为一行 JSON 字符串，表示一个字典，包含以下键：

• train_txt：字符串列表，训练评论；
• train_num：二维数值列表，训练数值特征；
• train_y：整数列表，训练标签（0 或 1）；
• test_txt：字符串列表，测试评论；
• test_num：二维数值列表，测试数值特征。

输出描述

输出一行，内容为一个 Python 列表的字符串表示，列表中的整数为 0 或 1，元素之间以英文逗号和空格分隔，形如 [0, 1, 0]。列表长度等于测试集大小。

样例1

输入

{"train_txt": ["good", "bad"], "train_num": [[10.0], [2.0]], "train_y": [0, 1], "test_txt": ["good", "bad"], "test_num": [[10.0], [2.0]]}

输出

[0, 1]

说明

训练集仅包含两条评论，"good" 对应的标签为 0（满意），"bad" 对应的标签为 1（不满意）。数值特征也存在明显差异（[10.0] 与 [2.0]）。经过词级加权编码、字符三元组编码以及数值标准化后，模型能够清晰地学习到决策边界。由于测试样本与训练样本完全相同，模型对 "good" 的预测概率接近 0（不满意的概率接近 0），对 "bad" 的预测概率接近 1，软投票平均后分别小于和大于 0.5，因此输出 [0 1]。

样例2

输入

{"train_txt": ["the food is delicious", "the food is terrible", "great service", "bad experience"], "train_num": [[20.0, 5.0], [10.0, 1.0], [25.0, 5.0], [5.0, 1.0]], "train_y": [0, 1, 0, 1], "test_txt": ["the food is delicious", "great service"], "test_num": [[20.0, 5.0], [25.0, 5.0]]}

输出

[0, 0]

说明

训练集包含四条评论，其中 "the food is delicious" 和 "great service" 为满意（0），"the food is terrible" 和 "bad experience" 为不满意（1）。评论中的停用词（如 "the"、"is"）在词级向量化时会被自动过滤，同时提取一元和二元词组；字符级三元组则按 3 个字符滑动提取。数值特征（例如等待时长和评分）经标准化与多项式展开后，与文本特征一同用于训练。由于测试样本均取自训练集，两个逻辑回归与 SGD 分类器都能正确拟合，软投票后预测概率分别为低值，均小于 0.5，故输出 [0 0]。

样例3

输入

{"train_txt": ["good", "good", "bad", "bad"], "train_num": [[5, 10], [6, 12], [1, 2], [2, 3]], "train_y": [0, 0, 1, 1], "test_txt": ["good", "bad"], "test_num": [[5, 10], [1, 2]]}

输出

[0, 1]

说明

本样例重点展示数值特征变换的作用。所有评论仅使用 "good" 和 "bad"，使文本特征贡献相近，分类主要依赖数值指标。训练数值特征中，满意类的值（如 [5, 10]）明显高于不满意类（如 [1, 2]）。数值列首先经 StandardScaler 转化为零均值、单位方差，再通过 PolynomialFeatures(degree=2, include_bias=False) 生成交互项与平方项。随后与词级 TF‑IDF、字符三元组特征拼接。模型 A（LogisticRegression，ℓ₂ 正则，C=1.0）和模型 B（SGDClassifier，α=10⁻⁴，对数损失）分别训练，软投票平均概率在 "good" 上小于 0.5，"bad" 上大于 0.5，输出 [0 1]。