第43章 一二十层楼那么高

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。
　　
　　赵元任说：“你没看到这模型暗示的任务量吗？那是会死人的！
　　
　　人工做数据标注，我们别的活都别干了，全来干这得了。”
　　
　　“放心，不可能让你们干这活，大概率是找外包来干，把规则制定好。”
　　
　　“那我就放心了。”
　　
　　赵元任接着好奇问道：“不是，那你说BetaCode的数据清洗和数据处理是谁做的？那时候Boss应该找不起外包吧。”
　　
　　马辽说：“未必就不是Boss自己做的，一个可用的代码模型，背后的数据采集、预处理和训练，至少光是从我们两个负责的板块来看，Boss的水平是真的高。”
　　
　　“有多高？”
　　
　　“大概一二十层楼那么高吧。”