Projets / algorithm-tag-classifier
Tagger des problèmes d'algorithmique depuis l'énoncé et le code
Un classifieur multi-label qui prédit huit tags d'algorithmique à partir d'un énoncé et d'une solution Python, comparé à un LLM en zero-shot.
- Période
- 2026
- Rôle
- Auteur unique
- Contexte
- Projet personnel, données publiques
[ Architecture ]
Comment ça marche
Lancez un scénario pour suivre une requête à travers le système. Sélectionnez un composant pour lire son rôle et ses flux.
Un problème de graphes avec une solution en Python
Un énoncé sur les composantes connexes, avec une solution en parcours en profondeur.
solution.py
- Appuyez sur Classer un problème pour suivre la requête à travers le système.
- 01ProblèmeÉnoncé et solution reçus
- 02TF-IDF + linéaireTexte et code scorés par le modèle linéaire
- 03Fusion & thresholdsScores de la première branche conservés
- 04ModernBERTLe transformer score les mêmes tags
- 05Fusion & thresholdsScores combinés · chaque tag comparé à son threshold
- 06TagsTags prédits - graphs · dfs
- ✓Le problème reçoit ses tags prédits. Sur le jeu de test figé, ce pipeline atteint un macro-F1 de 0.683.
Problème
Prédire huit tags d’algorithmique (multi-label) à partir de l’énoncé d’un problème de programmation et d’une solution Python. Le protocole d’évaluation compte autant que le modèle.
Données
Environ 5 000 problèmes publics issus d’un site de programmation compétitive, avec énoncés, solutions Python et tags. Les labels sont incomplets, ce qui plafonne le score atteignable.
Approche
- Le protocole d’abord. Le test set est figé avant de construire un modèle, les modèles sont choisis par cross-validation, et les problèmes quasi dupliqués sont regroupés pour éviter toute fuite.
- Deux branches, combinées. Un modèle linéaire sur des features TF-IDF et un ModernBERT en fine-tuning, avec un threshold réglé par tag.
- Une baseline. Un LLM zero-shot sur la même tâche.
Évaluation
La combinaison atteint environ 0.68 de macro-F1 sur le test set figé, un peu au-dessus du LLM zero-shot (environ 0.65). Les labels incomplets plafonnent le score.
Résultat
Un pipeline compact et reproductible, évalué une seule fois sur des données mises de côté, sans appel à un modèle pour chaque prédiction.
Mon rôle
Projet personnel, réalisé seul, du protocole à la baseline LLM.