加入收藏 | 设为首页 | 会员中心 | 我要投稿 我爱资讯网 (https://www.52junxun.com/)- 云存储网关、数据分析、负载均衡、云连接、设备管理!
当前位置: 首页 > 站长资讯 > 传媒 > 正文

传媒资讯归类告别手动:深度学习赋能精准高效分类

发布时间:2026-11-11 11:38:19 所属栏目:传媒 来源:DaWei
导读:  昨天下午三点零七分,线上监控告警弹窗盖住了我刚切出来的 React DevTools——不是 500,不是白屏,是 /api/v3/classify 返回的 category_id 有 17% 的 case 指向了「娱乐-明星八卦」,但当天热点明明是两会提案和广电新

  昨天下午三点零七分,线上监控告警弹窗盖住了我刚切出来的 React DevTools——不是 500,不是白屏,是 /api/v3/classify 返回的 category_id 有 17% 的 case 指向了「娱乐-明星八卦」,但当天热点明明是两会提案和广电新出的播音员分级标准。我第一反应是后端缓存没刷干净,顺手 curl 了三遍,header 带了 X-Trace-ID,等 response 的时候看见隔壁工位风扇声又变调了,嗡…嗡…嗡…停两秒,再嗡。


  我原以为是训练数据里「两会」样本被标成了「时政-政策解读」,结果发现标注组去年九月就切过一轮——他们把所有带“代表”“提案”“审议”的句子,只要出现“王某某”“李某某”字眼,一律归进娱乐。产品在需求文档里写的是“提升人物类资讯识别率”,没写“人物≠明星”。我当场截图甩群里,设计立刻回了个“???”表情包,后端说“你确定不是前端把 category_id 当字符串拼错了”,我回他“你上生产环境 console.log 一句试试”,他说“灰度还没开,怕影响 AB 测试流量分配”。烦。


  窗外在下雨,雨点砸空调外机的声音特别像 webpack 打包时那个卡在 92% 的进度条——就是那种光标还跳、数字不动、你盯着它三分钟,突然发现编译根本没卡,是 VSCode 插件自己失联了。我去年九月其实真干过一次更野的:用 BERT base + CRF 替掉规则引擎,但当时没敢全量,只压测了 5% 的 feed 流。上线头两天召回率看着漂亮,第三天开始漏标军事评论类内容,原因是训练语料里“歼-20”出现频次比“歼-10C”高三倍,模型学偏了——它把“歼-20”当成了实体标签本身,而不是型号代号。我后来删掉 42 万条含“歼-20”的样本重训,结果又把空战推演类新闻全扫进“历史-战争复盘”去了。认了。


  所以这次我们绕开了“建模精度”这个坑。不比 F1,不比 top-k 准确率,就比“谁活下来了”。把旧版规则引擎打成 baseline,新模型跑七天真实流,看哪边的 mislabel 更容易引发下游链路崩——比如推荐侧把财经新闻喂给育儿妈妈群,或者审核后台批量报“低质重复”,这两个指标一拉,谁扛得住谁下线。优胜劣汰不是比喻,是真让它们对赌。后端上周还问要不要加个 fallback 机制,“模型挂了切回规则”,我说不用,挂了就挂了,反正用户也分不清是 AI 脑抽还是运营手抖。真挂了,至少比人工分类时漏掉三天热点还等到周四才被编辑部打电话骂醒强。


  不过说到漏……上周二午饭点我刷到一则稿子,标题《广电拟推主持人分级认证》,正文第三段写“参考美国 SAG-AFTRA 行业标准”,被模型判进「国际-文化政策」,但运营同学手动拖进了「传媒-行业监管」。我当时就想,妈的这分类逻辑根本不冲突,是路径依赖——旧系统里所有“广电”开头的都进传媒,所有“美国”开头的都进国际,现在模型看到两个主语,自动选了更少见的那个当 anchor。我立刻改了 prompt template,加了条硬约束:“若首句含‘广电’‘央视’‘中宣部’,category 优先级提升两级”。改了三版,最后发现最稳的是不改——把该稿子从训练集剔除,打上「ambiguous_label」标签扔进冷池,等三个月后再看有没有人点它、转它、骂它。数据自己会投票。


  外卖到了,塑料袋蹭门框的声音跟去年九月我第一次听 CI/CD 流水线成功发版的提示音一模一样。当时我还在想这玩意儿什么时候能不靠人盯日志,结果今天早上运维甩来张图:模型 A/B 的延迟 P99 差 12ms,但 A 侧 cache hit rate 是 68%,B 侧 81%——这俩数压根不相关啊,B 模型结构更重,理应更低效才对。查了一上午,发现是 B 侧预处理把「《」和「》」统一替换成了英文引号,导致缓存 key 命中率虚高;A 侧保留中文标点,每次 parse 都要多走一次正则。这种事没法写进架构文档,只能靠值班表上的人半夜三点对着 log 抽烟琢磨。无所谓。


文章配图,仅供参考

  说到值班……上个月招了俩应届生,一个写 Python 爱用 type hint 到丧心病狂,另一个 JS 里连 === 都懒得敲,问我“老师,分类模型是不是应该用 Knowledge Distillation 压小点?我们 inference 资源吃紧”。我差点脱口而出“你先去把标注平台右上角那个红色未读数从 37 降到 5 再谈蒸馏”,但忍住了。真话是:现在每天涌进来 11 万条新资讯,标不完,也训不全;模型越准,运营越懒;运营越懒,bad case 越难收敛。这不是技术问题,是注意力分配问题——我们正在用算法,给人力做降噪,而不是替代。所以这周我把 label review 环节从 T+3 改成 T+1,并且强制要求每个标错的样本必须附上一句话:你是为什么点错的?是标题骗人?还是原文最后一段反转?还是手机上看不清换行?这个字段下周会上线,至于埋点打不打、打在哪个 stage、会不会触发新版埋点 SDK 的内存泄漏——等它先跑通再说。我现在连 webpack 配置都懒得动,上次改完 alias 导致 mock 接口 mock 不出来,熬到凌晨四点才发现是我自己手滑多写了半个斜杠。


  对了,刚才后端又扔来个新需求:要把“虚拟主播”相关稿件,从现有“科技-人工智能”和“娱乐-网络红人”两个桶里,拆出第三个独立类别。我说你让他先提供 500 条典型样本,再找设计画个分类面板原型。他回:“产品说今晚就要看 Demo”。行。我待会儿就拿上周那批误标进「历史-战争复盘」的空战推演稿,替几个字改成“AI 模拟空战”,丢进去充数。反正用户不会点开看,推荐系统也抓不住这种临时造词。先上线,再看能不能活下来。

(编辑:我爱资讯网)

【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容!