第43章一二十层楼那么高
第43章一二十层楼那么高(第2/3页)
看组的公共空间，每天我会把我的经验做上传，包括boss的一些算法，和应用的注意事项我会上传到我们组的代码仓库里，你注意看。
那会节约你非常多的时间。”
自此，无休止的开始转动了。
赵元任感觉自己就像是一个齿轮一样。
（本章未完，请点击下一页继续阅读）第43章一二十层楼那么高(第2/2页)
他把文件分块下载，然后打开查看，这才发现这些资料压根不能直接用于训练。
网页里充斥着导航栏，广告，版权声明，推荐链接之类的内容。
另外一篇文章可能被不同的网站转载几十上百次，标题只是稍作修改，内容几乎完全一致，百家号的泛滥导致去重工作是天量。
论坛帖子则有大量无意义的回复。
千禧年的回复，“我顶”、“沙发”、“路过”、“露珠好人”。
再加上中文文本本身的复杂度。
简体繁体异体字混杂，全角半角符号不统一，网页编码错误会把一段正常文字变成乱码。
火星文就不说了。
有些内容看上去是中文，实际上是机器翻译的语句，语法正确，表达方式却格外怪异。
种种问题堆叠在一起，赵元任找不到切入点。
这就好像已经被猫打乱的毛球，所有的线头混在一起，你压根找不到最初的那根线头。
晚上十点，马辽起身，“走？”
赵元任看了眼自己处理后的文本，数据量比上午减少了百分之四十，心想已经够了，但他很快打开公共仓库看了眼，顾彦平的已经清洗完了。
还写了一篇文档给他们看：“数据清洗第一天。”
他下意识道：“算了，马里奥，你先走吧，我再看看。”
“......别指望靠规则去判断内容质量，格式混乱的内容不一定就没有价值，格式标准的内容也可能全是垃圾。
以这篇内容为例，这是标准的垃圾内容...”
接下来是举例，一篇营销软文，前面在讲失眠危害，中间列几个毫无意义的常识，最后开始推销保健品。
“这种格式标准，如果按照我们过去的处理逻辑，那么规则一定会认为它质量很高，然而事实是，这就是垃圾。
因此我们需要专门训练一个分类模型，需要做数据标注。
分类模型，boss已经写好了，大家可以看看，明天我们需要分出人手来做数据标注。”
赵元任把分类模型读完之后，惊讶于模型的优美简洁，更震惊于后续的工作。
要把全部语料抽样，然后再组织人工进行质量评分，要分成十档。
“走！”他看马辽还没有走，于是保存，关机，起身一气呵成。
“不得不说，老板的代码写的是真优美。”马辽摇头晃脑地吐槽道。
赵元任
（本章未完，请点击下一页继续阅读）