日常工作中，因為很多原因，我們面對的問題總不能一下放模型里，就能就得到很好的效果，前面有文章詳細講過可以通過bad case分析定位并解決問題（心法利器[40] | bad case治療術：解決篇，這是最后一篇），今天換個角度，從一個分類任務來看，會有哪些問題，以及有哪些可以考慮的解決方案。

這里，我按照問題作為分類，來給出一些常見的解決方案。

看完這篇文章后，別遇事不決換模型了，別讓老板知道你只會這招（狗頭）。

數據的問題

在現實問題下，有80%以上的效果不好，都是由于數據的問題，這里我來列舉一些常見的數據問題以及解決方案。

數據標注錯誤

人很難不犯錯的，即使是一些比較出名的開源數據集，其實也很難達到全對的水平，很多數據集只要認真做過case，例如做過case分析，就會發現其實有很多的標注錯誤，實際應用中，大部分情況準確率能達到95%就已經是高質量的數據了，一般能達到90-92%這個數據集就基本可用了，而如果模型本身預測的結果準確率就只是在90%上下，其實模型已經很大程度擬合好了這個數據集，再往上的提升很可能只是分數高，擬合了錯誤結果而已，這個是需要首先說明的。

其次，有些數據集，和很多原因有關，無論是訓練集還是測試集，準確率可能都只是在六七十甚至更低，我們其實無法苛求模型能達到更好的水平。對訓練集，如果質量低，這事就和拿了本錯誤的教材一樣，根本學不好，對測試集，再優秀的模型遇到這個測試集，即使預測對了，標注是錯的，體現在指標上也是準確率很低，模型怎么換效果都不好。

這個數據標注問題，往往體現的是這個系統的上限，此時，我們所應該聚焦的，就是提升數據標注的準確性，這里給出大家提一些可以考慮的策略：

仔細修正標注策略（畢竟數據標注除了人工還有很多方法），制定更多規則來優化。

如果數據標注比較困難，可以考慮多人標注，對不一致的部分進行復合，整體質量提升會比較明顯。

配合模型、規則等多個策略進行比對，對不一致的部分進行復標。

利用模型，對模棱兩可（二分類概率在0.5上下）或者明顯錯誤的（正類prob在0.1左右或負類prob在0.9左右），進行復標。

后面幾個策略其實挺“主動學習”的，核心就是通過模糊或者不一致來挖掘很可能有錯的部分進行復合，來提升整體的質量。

數據數量問題

現階段，雖然有無監督之類的很多策略，但是對于特定的任務或者需求，總是離不開訓練數據的，我們需要數據來讓模型知道“遇到這個情況該選哪個”，因此數據數量是需要基本保證的。

首先，很多人很容易想到兩個常見策略：

數據增強。

無監督。

這兩個方案，是可以的，但不是萬能的：

數據增強——在本身數據的覆蓋面已經較充足的情況。例如天氣意圖的分類，其實來回就這么集中情況，列舉完增強就行。但是遇到類似電影、電視劇意圖的分類，分布很難完整覆蓋，只有幾條樣本完全不能通過常規的增強解決。

無監督——如果有自信模型能往特定的方向預測，那這么做其實還行，但是定向這事很困難的，例如都是二分類問題，一個分是否是天氣意圖，一個分是否是電影意圖，都是同一批數據，如何知道訓出的無監督模型朝著那個任務的方向預測？

所以，私以為還是要從人體的根源出發。分幾個情況吧：

整體數據都很少的情況。

整體數據尚可，但是特定類目或者特定情況的數據太少的情況。

對于整體數據都很少的問題，如果是像我前面說的——在本身數據的覆蓋面已經較充足的情況，那其實直接數據增強是可以的，增強之后會讓模型強化對特定意識的了解，直接就能學出來了，但是如果不足，那就要找渠道增加數據了，有用戶數據的，可以撈一些用戶query，根據用戶點擊在整理下，沒有的，結合一些詞典構造一些樣本放入也是可以的，甚至有一些場景是有公開數據的，直接拿來用。

而對于數據樣本不均衡的問題，之前有寫過文章介紹，此處不贅述了（心法利器[44] | 樣本不均衡之我見）。

小補充

只有在數據的數量和質量都比較充足的時候，我們才有資格去談模型，談其他的優化策略，這應該是一名成熟的算法工程師所需要掌握的基礎知識。

模型升級的收益

模型的升級往往帶來的是一個系統級別的提升，這個系統提升是上限的提升，只有到這個系統內部的多個位置都已經有比較高了，這時候換模型才能帶來比較明顯的收益，例如數據已經調教的比較好，沒有什么大問題，這個時候升級模型能很快提分，這里例如fasttext->textcnn，上預訓練模型等，但是確實是要看清切換的時機，畢竟切換是需要成本的，到時候切換完效果不提升，白干活的話KPI很容易崩的（狗頭）。

有關切換時機，大家可以看這篇（心法利器[63] | 預訓練模型的上線時機）。

特定樣本引入打來的提升

常規下，要調整效果，還是要從bad case里出發，理解數據中常見的問題，然后進行優化，其實是日常最常用的方式，這個方式簡單快速，但是也有難點，難的是發現規律并進行解決，這里給大家介紹一些比較常見的問題和主要解決方法。

正負樣本里某些詞的詞頻差距很大，導致模型認為出現的這個詞就是分類標志，導致分類錯誤。

解決方法1，撈日志，這個詞在正類多就找帶這個詞的負類樣本，反之亦然。

解決方法2，刪除樣本，例如這個詞在正類多就干掉一些正樣本。

泛化能力不足，模型只學到了正規的句式，對于泛化、換個說法的樣本可能就預測錯了。

r-dropout，值得推薦。

拼接，和一些無意義、閑聊類的句子進行拼接，維持源類別，放入對應類目的樣本中。

數據增強，尤其關注隨機交叉的這個策略，有收益。

檢索增強，用向量召回最接近的句子，用這批放入對應類目。

因為缺乏特定形式的樣本（模型沒見過），導致模型只能猜還猜不對。

加入特定類型的樣本。（在天氣意圖分類數據里，把“天氣之子”作為負樣本放入訓練集中）

考慮通過別的方式解決，例如用詞典（心法利器[41] | 我常說的詞典匹配到底怎么做）或者以搜代分的方式來處理（心法利器[60] | 以搜代分的生效機理）補充。

當然，還有一些別的策略，這些策略很大程度和自己對業務、數據的理解有關，越是了解提升的幅度會越大。最近的一次實驗，由于用戶query其實都是語音轉文字得到的句子，而由于采音、ASR等問題，得到的用戶query可能不是完整的，不完整意味著可能有關鍵詞但是信息仍舊模糊，這就容易導致誤召回了（模糊或者無意義的句子是會被認為是負類的），因此，我才用的策略是對常見高頻的句子做隨機截斷，然后放入負類中，最終結果是以2%的召回率代價換來了4%的準確率提升，算是收益較大的，漏召回的會根據實際情況再調整即可。

其他策略的引入

一個完整可控的系統，不能光靠模型來解決所有問題，而實際上也是模型并不能解決所有問題，我們需要眾多的支持和輔助，構造成一個系統，才能讓整體效果達到新的高度，這里有一些可以考慮的思路。

對于簡單、高頻的問題，其實不太認為需要模型，處理用一些詞典和規則能更加穩定可控地解決。

如果問題的尾巴比較長，長尾問題的樣本比較難獲取，占比較低，此時模型并不能學得好，與其考慮增強和挖掘，不如交給檢索的方式做更加高效，別考慮增加特定樣本了（以搜代分：心法利器[26] | 以搜代分：文本多分類新思路）。

模型附帶后處理，解決模棱兩可，或者比較邊界的問題，舉個例子：

閾值大于0.7的才是正類，0.5-0.7的部分需要依賴別的因素做進一步判斷才準入。

多個分類模塊組合，最終用加入rank層進行多結果的排序，解決復雜多變的分類場景。

多個二分類，不讓模型處理混淆問題，最終rank層再來擇優。

類目體系更新頻繁，重訓模型對其他類目影響大。

多個分類場景差異大，數據不好平衡。

審核編輯：劉清