传媒资讯归类告别手动:深度学习赋能精准高效分类
|
跟投手吵架那天,他指着后台订单列表里一片灰掉的“来源未识别”说:“你们归类不准,归不准就打不准标签,打不准标签我就得重跑AB——你告诉我这个‘传媒资讯’到底是给谁看的?”我捏着刚拆开的快递盒边沿,胶带还没撕完,指甲缝里卡着点白胶,桌上那沓没整理的单子被空调吹得哗啦响,有只飞虫绕着灯转了十七八圈,我数过。 去年十月,独立站。不是平台店,没流量池托底,不是活动页那种烧钱漏斗,就是干巴巴挂资讯栏的首页二级入口,底下三列卡片:行业动态、政策速递、竞品动向。运营每天手动拖拽标题进对应文件夹,再贴Excel里的标签ID,导出、上传、校验——校验错了就回退,退到上一版,上一版也错,最后发现是前天把“广电总局新规解读”塞进了“竞品动向”,因为标题里带了“腾讯视频上线新功能”。没人怪她。谁看标题第一眼能分辨“腾讯上线”是自述还是引用? 我们搭了个模型,不是从零训的,用的是现成的中文预训练基座,加了两层分类头,训练集就三样:爬下来的真实资讯标题+人工打标(对,还是人打的,别笑),三个月内客服发来的语音转文字记录(全是“这篇讲啥的?”“能不能推给我客户?”这种短问),还有退货单背面手写的备注——真有用户退会员,附言写“推送的政策解读和我公司完全无关”。这些数据没清洗干净,token里还混着“【】”“//”“(已删除)”,但比纯标题强。起码它知道“广电总局”和“央视网转载”不是一回事,“字节跳动发布AI工具”如果是原文发布,归竞品;如果是《中国新闻出版广电报》报道的,就归行业动态。它不靠关键词匹配,靠上下文粘性。 上线第三天,客服发来一条聊天记录:“用户问:上次推我的那个‘2024县级融媒体补贴细则’,能再发一遍吗?我找不到了。”——系统没推。因为那条原始资讯标题是《XX省财政厅关于下达2024年基层文化服务专项资金的通知》,模型判为“地方财政文件”,没进“传媒资讯”主类目,直接进了后台订单列表里最角落的“待复核池”。我点开看,摘要里确实没提“融媒体”,但正文第二段写着“资金专项用于县级融媒体中心基础设施升级”。模型没读正文。它只吃标题+前50字+来源域名。我们当时没给它喂正文——怕慢,怕崩,怕前端加载卡半秒,老板就要问“为什么跳出率涨了”。现在想,卡半秒换回来的是整条路径的断点。详情页划两下就走、加购了不下单、客服问了一句就没回,全是从这儿漏的。 冷眼看着这事持续了四个月。不是技术不行,是业务没敢真松手。每次运营说“这个标得我来改”,我就点头。她改完,我同步更新训练集,但不动线上推理逻辑——怕改崩。漏斗图上的一格,从“资讯曝光→点击→停留≥30s”开始往下掉,掉得不猛,但持续掉,像水龙头没拧紧。没人盯着,因为KPI压的是首屏CTR,不是归类准确率。直到上月财务拉出一份明细:三个付费会员包里,“政策研报订阅”的续订率比“行业周报”低27%,而这两个包推送的资讯,在后台订单列表里被系统归为同一类——都叫“深度资讯”。查日志才发现,模型把所有带“意见征求”“公开征集”的都塞进去了,不管主体是网信办还是某地文旅局。用户订的是“央级政策动向”,结果推的是“绍兴市越城区公共文化空间改造办法(征求意见稿)”。订完就静音,静音七天后退订。桌上的单子越堆越高,空调还在吹,纸边一直颤。 优点?有。它把原来要8小时/周的手动归类,压缩到20分钟/天,剩下时间用来盯漏斗图上那一格,或者听客服发来的语音——现在语音转文字后,会自动标红“疑似归类矛盾句”,比如“又推错了”“这不是我要的类型”。缺点?它不理解“我要的类型”是什么。它只认统计显著性。它分不清“传媒监管”和“媒体自查”,分不清“广电系改革”和“广电局招考”,分不清“MCN机构裁员”属于行业动态还是竞品动向——取决于当天推给谁,而它不知道推给谁。我们没给它接用户画像层,怕链路太长。现在回头看,这步绕不过。绕了,就得自己蹲在后台订单列表里,一单一单翻来源URL,看哪个ID反复出现在退订前24小时的点击流里。
文章配图,仅供参考 下一步?下周起,把正文切片喂进去,上限1500字,不带PDF附件解析,先保住现有TPS。同时让运营把每天手工修正的10条样本,抄在便利贴上,贴在显示器右下角——不是为了存档,是让她在贴的时候,把“为什么错”念出声。我已经录下来了。有只飞虫刚撞在灯罩上,弹了一下,现在停在玻璃上。手机一直在震没人接。仓库那边传来胶带声,很密,像是急着发货。 (编辑:站长网) 【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! |


深度学习工程师秘而不宣的代码重构三原则
传媒资讯分类总出错?20年老炮儿用智能算法把准确率干到98.7%
跨端兼容智能分类模型:一次训练,全平台精准归类
深度学习服务器选型避坑与全栈调优实战
