传媒资讯归类告别手动：深度学习赋能精准高效

　　V2EX上又刷到有人问“资讯分类怎么用BERT微调”，我划过去没点开——上个月还看到同个ID在问“怎么不用标签做无监督聚类”，语气像刚把Transformer跑通的研究生。这事儿我去年七月在机房蹲过，空调坏了，冷凝水滴在交换机机柜顶上，噗、噗、噗，跟打拍子似的。

　　王磊那天穿了双灰拖鞋，脚后跟磨秃了，蹲在机柜前拔网线，手抖得厉害，说“再试最后一次”。他刚拔完，陈薇接了个电话，捂着听筒小声说“妈，药我寄到了”，然后把手机塞进裤兜，掏出半包烟，但没点。桌上那盒饿了么的麻辣香锅凉透了，汤面浮着一层白油，旁边三根竹筷斜插在剩菜里——这顿饭点了三十七分钟，她只扒拉了五口。

　　我原以为模型收敛后，人工抽检能压到千分之三误标率以下；结果上线头三天，运营组半夜连发七条钉钉消息，全指着同一篇“国产芯片获突破”被塞进“娱乐八卦”类目。不是模型飘了，是训练集里混进两百篇早年爬的论坛帖，标题带“突破”俩字，正文写“老婆终于答应让我换显卡”。这个我敢打包票——我亲手重跑了三遍数据清洗脚本，grep -r “显卡” | wc -l 三百七十二，没错。

　　但你真不能怪模型。它学得比人快，也比人狠：人看十篇稿子会累，眼花，跳读，把“媒体融合”自动脑补成“媒婆融合”；模型不眨眼，不吃辣，不回微信，不因甲方临时加需求而把“深度报道”强行塞进“短视频脚本”子类。优胜劣汰不是口号，是服务器散热风扇转速超过四千二转时，后台进程自动kill掉两个跑歪的worker——陈薇听见声音不对，探头看了眼监控屏，说“又死了”，说完去拆新到的咖啡糖纸，撕了三次才扯开。

　　上周翻旧日志，发现七月九号凌晨两点十七分，有个叫李想的实习生在GitLab提了个merge request，标题写着“fix: 媒体属性字段冲突”，内容就一行：“删了config.yaml第88行‘source_type: legacy’”。我没批，他也没催。后来谁也不知道那行删没删成——反正归类准确率曲线从那天起，突然平了一小段，像被人按住肩膀停了三秒。这个我说不准。但那个凌晨机房特别安静，连冷凝水都不滴了，就听见空调外机在楼下嗡嗡震，像一台生锈的老收音机调频失败。

　　别信什么“端到端自动化”——模型归类完，还得过三道人审：第一道是编辑自己扫一眼标题+首段；第二道是值班主编，习惯性用手指点着屏幕，念出声来（“嗯…这个算政策解读？不妥”）；第三道是法务接口人，戴黑框眼镜，每次来都拎个印着“司法部培训基地”的帆布袋，往桌上一放，袋口裂了道缝，露出半截《网络信息内容生态治理规定》活页册。我们管这叫“铁三角闭环”，其实根本闭不住，只是慢到让人忘了中间漏了多少。

　　昨天在电梯里碰见产品那边的赵敏，她指甲油剥落了一块，在食指第二节，左手。她问：“你们那个归类系统，能不能支持用户自定义打标？”我说“能，但代价是重新训一轮”，她哦了声，抬头看楼层灯，“3…4…5”，电梯门开，她跨出去，风衣下摆扫过我的小腿，凉飕飕的。我盯着她后颈那颗痣，忽然想起她去年六月还在催我们接OCR，说“总得让扫描件也能进管道”。现在她不提OCR了，改提自定义——不是问题解决了，是问题塌缩成另一个形状，硌得人不舒服罢了。

文章配图，仅供参考

　　现在我在整一套规则兜底方案：所有模型置信度低于0.62的，自动触发轻量级关键词正则过滤链；0.62–0.87之间扔进人工待办池，但池子本身要限容——最多留三百二十条，超了就降权进冷备队列。这个阈值不是调出来的，是王磊在暴雨夜重启服务器时，盯着GPU监控屏里某次反常的loss震荡，随口说的“六二，刚好够掐断瞎猜”。我没录语音，但记得他说话时，左手正无意识搓着右耳垂，搓得发红。

　　下周三我要去参加个跨部门对齐会，主题是“资讯分发与分类的协同治理路径”。我不打算带PPT，就带台笔记本，里面开着jupyter notebook，实时跑一段样本数据流——不展示结果，只让大伙儿听听那几声CPU风扇啸叫。要是有人问“模型会不会误伤优质内容”，我就说：“会。但比上个月少伤三百七十二次。”

（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!