Improve the result by around 0.1 geval score by removing polish stopwords

dev-0/out.tsv

@@ -1,87 +1,87 @@
-31
-33
-30
-12
-32
-19
-41
-15
-1
-11
-15
-19
-7
-9
 5
-42
-20
-36
-4
-24
-21
-40
-2
-0
-25
-23
-10
-2
-24
-44
-6
-43
-26
-9
-5
-3
-35
-22
-10
-12
-1
-27
-41
 29
-8
+35
-28
+32
-3
-7
-15
-6
-13
-30
-6
-23
 18
-0
+20
-7
-7
-6
-17
 3
-34
+42
-15
+4
-37
+1
-19
+17
+20
 16
+44
+13
+13
+41
+36
+10
+0
+27
+28
+8
 14
+25
+19
+2
 8
 38
-3
+40
+34
+34
+15
+24
+13
+9
+39
+5
+2
 32
 4
-8
+33
-14
+15
-7
+21
+30
+37
+9
+11
+26
 15
 25
-18
+35
-29
+34
-39
+19
-11
+6
-15
-11
-24
 14
+16
+16
+34
+7
+15
+12
+34
+31
+20
+7
+34
+30
+35
+9
+18
+10
+30
+3
+43
+42
+25
+6
+21
 22
-24
+1
+17
+1
+0
+15
+7
+23

solution-dev0.py

@@ -4,15 +4,25 @@ import sklearn.metrics
 from sklearn.cluster import KMeans
 
 
+def preprocess(document, stopwords):
+    return " ".join([word for word in document.split() if word not in stopwords])
+
+
 def main():
+    with open('stopwords.txt') as stopwords_file:
+        stopwords = [stopword.strip()
+                     for stopword in stopwords_file.readlines()]
+
     with open("dev-0/in.tsv") as in_file:
-        documents = in_file.readlines()
+        documents = [preprocess(document, stopwords)
+                     for document in in_file.readlines()]
 
         vectorizer = TfidfVectorizer(ngram_range=(1, 3), use_idf=False)
         vectorizer = TfidfVectorizer()
 
         document_vectors = vectorizer.fit_transform(documents)
-        predictions = KMeans(n_clusters=45).fit_predict(document_vectors)        
+        predictions = KMeans(
+            n_clusters=45, max_iter=1000).fit_predict(document_vectors)
 
         with open("dev-0/out.tsv", "w") as out_file:
             for prediction in predictions:

solution-testA.py

@@ -4,15 +4,25 @@ import sklearn.metrics
 from sklearn.cluster import KMeans
 
 
+def preprocess(document, stopwords):
+    return " ".join([word for word in document.split() if word not in stopwords])
+
+
 def main():
+    with open('stopwords.txt') as stopwords_file:
+        stopwords = [stopword.strip()
+                     for stopword in stopwords_file.readlines()]
+
     with open("test-A/in.tsv") as in_file:
-        documents = in_file.readlines()
+        documents = [preprocess(document, stopwords)
+                     for document in in_file.readlines()]
 
         vectorizer = TfidfVectorizer(ngram_range=(1, 3), use_idf=False)
         vectorizer = TfidfVectorizer()
 
         document_vectors = vectorizer.fit_transform(documents)
-        predictions = KMeans(n_clusters=45).fit_predict(document_vectors)        
+        predictions = KMeans(
+            n_clusters=45, max_iter=1000).fit_predict(document_vectors)
 
         with open("test-A/out.tsv", "w") as out_file:
             for prediction in predictions:

stopwords.txt

@@ -0,0 +1,350 @@
+a
+aby
+ach
+acz
+aczkolwiek
+aj
+albo
+ale
+alez
+ależ
+ani
+az
+aż
+bardziej
+bardzo
+beda
+bedzie
+bez
+deda
+będą
+bede
+będę
+będzie
+bo
+bowiem
+by
+byc
+być
+byl
+byla
+byli
+bylo
+byly
+był
+była
+było
+były
+bynajmniej
+cala
+cali
+caly
+cała
+cały
+ci
+cie
+ciebie
+cię
+co
+cokolwiek
+cos
+coś
+czasami
+czasem
+czemu
+czy
+czyli
+daleko
+dla
+dlaczego
+dlatego
+do
+dobrze
+dokad
+dokąd
+dosc
+dość
+duzo
+dużo
+dwa
+dwaj
+dwie
+dwoje
+dzis
+dzisiaj
+dziś
+gdy
+gdyby
+gdyz
+gdyż
+gdzie
+gdziekolwiek
+gdzies
+gdzieś
+go
+i
+ich
+ile
+im
+inna
+inne
+inny
+innych
+iz
+iż
+ja
+jak
+jakas
+jakaś
+jakby
+jaki
+jakichs
+jakichś
+jakie
+jakis
+jakiś
+jakiz
+jakiż
+jakkolwiek
+jako
+jakos
+jakoś
+ją
+je
+jeden
+jedna
+jednak
+jednakze
+jednakże
+jedno
+jego
+jej
+jemu
+jesli
+jest
+jestem
+jeszcze
+jeśli
+jezeli
+jeżeli
+juz
+już
+kazdy
+każdy
+kiedy
+kilka
+kims
+kimś
+kto
+ktokolwiek
+ktora
+ktore
+ktorego
+ktorej
+ktory
+ktorych
+ktorym
+ktorzy
+ktos
+ktoś
+która
+które
+którego
+której
+który
+których
+którym
+którzy
+ku
+lat
+lecz
+lub
+ma
+mają
+mało
+mam
+mi
+miedzy
+między
+mimo
+mna
+mną
+mnie
+moga
+mogą
+moi
+moim
+moj
+moja
+moje
+moze
+mozliwe
+mozna
+może
+możliwe
+można
+mój
+mu
+musi
+my
+na
+nad
+nam
+nami
+nas
+nasi
+nasz
+nasza
+nasze
+naszego
+naszych
+natomiast
+natychmiast
+nawet
+nia
+nią
+nic
+nich
+nie
+niech
+niego
+niej
+niemu
+nigdy
+nim
+nimi
+niz
+niż
+no
+o
+obok
+od
+około
+on
+ona
+one
+oni
+ono
+oraz
+oto
+owszem
+pan
+pana
+pani
+po
+pod
+podczas
+pomimo
+ponad
+poniewaz
+ponieważ
+powinien
+powinna
+powinni
+powinno
+poza
+prawie
+przeciez
+przecież
+przed
+przede
+przedtem
+przez
+przy
+roku
+rowniez
+również
+sam
+sama
+są
+sie
+się
+skad
+skąd
+soba
+sobą
+sobie
+sposob
+sposób
+swoje
+ta
+tak
+taka
+taki
+takie
+takze
+także
+tam
+te
+tego
+tej
+ten
+teraz
+też
+to
+toba
+tobą
+tobie
+totez
+toteż
+totobą
+trzeba
+tu
+tutaj
+twoi
+twoim
+twoj
+twoja
+twoje
+twój
+twym
+ty
+tych
+tylko
+tym
+u
+w
+wam
+wami
+was
+wasz
+wasza
+wasze
+we
+według
+wiele
+wielu
+więc
+więcej
+wlasnie
+właśnie
+wszyscy
+wszystkich
+wszystkie
+wszystkim
+wszystko
+wtedy
+wy
+z
+za
+zaden
+zadna
+zadne
+zadnych
+zapewne
+zawsze
+ze
+zeby
+zeznowu
+zł
+znow
+znowu
+znów
+zostal
+został
+żaden
+żadna
+żadne
+żadnych
+że
+żeby