列举一些常见的数据问题以及解决方案

日常工作中，因为很多原因，我们面对的问题总不能一下放模型里，就能就得到很好的效果，前面有文章详细讲过可以通过bad case分析定位并解决问题（心法利器[40] | bad case治疗术：解决篇，这是最后一篇），今天换个角度，从一个分类任务来看，会有哪些问题，以及有哪些可以考虑的解决方案。

这里，我按照问题作为分类，来给出一些常见的解决方案。

看完这篇文章后，别遇事不决换模型了，别让老板知道你只会这招（狗头）。

数据的问题

在现实问题下，有80%以上的效果不好，都是由于数据的问题，这里我来列举一些常见的数据问题以及解决方案。

数据标注错误

人很难不犯错的，即使是一些比较出名的开源数据集，其实也很难达到全对的水平，很多数据集只要认真做过case，例如做过case分析，就会发现其实有很多的标注错误，实际应用中，大部分情况准确率能达到95%就已经是高质量的数据了，一般能达到90-92%这个数据集就基本可用了，而如果模型本身预测的结果准确率就只是在90%上下，其实模型已经很大程度拟合好了这个数据集，再往上的提升很可能只是分数高，拟合了错误结果而已，这个是需要首先说明的。

其次，有些数据集，和很多原因有关，无论是训练集还是测试集，准确率可能都只是在六七十甚至更低，我们其实无法苛求模型能达到更好的水平。对训练集，如果质量低，这事就和拿了本错误的教材一样，根本学不好，对测试集，再优秀的模型遇到这个测试集，即使预测对了，标注是错的，体现在指标上也是准确率很低，模型怎么换效果都不好。

这个数据标注问题，往往体现的是这个系统的上限，此时，我们所应该聚焦的，就是提升数据标注的准确性，这里给出大家提一些可以考虑的策略：

仔细修正标注策略（毕竟数据标注除了人工还有很多方法），制定更多规则来优化。

如果数据标注比较困难，可以考虑多人标注，对不一致的部分进行复合，整体质量提升会比较明显。

配合模型、规则等多个策略进行比对，对不一致的部分进行复标。

利用模型，对模棱两可（二分类概率在0.5上下）或者明显错误的（正类prob在0.1左右或负类prob在0.9左右），进行复标。

后面几个策略其实挺“主动学习”的，核心就是通过模糊或者不一致来挖掘很可能有错的部分进行复合，来提升整体的质量。

数据数量问题

现阶段，虽然有无监督之类的很多策略，但是对于特定的任务或者需求，总是离不开训练数据的，我们需要数据来让模型知道“遇到这个情况该选哪个”，因此数据数量是需要基本保证的。

首先，很多人很容易想到两个常见策略：

数据增强。

无监督。

这两个方案，是可以的，但不是万能的：

数据增强——在本身数据的覆盖面已经较充足的情况。例如天气意图的分类，其实来回就这么集中情况，列举完增强就行。但是遇到类似电影、电视剧意图的分类，分布很难完整覆盖，只有几条样本完全不能通过常规的增强解决。

无监督——如果有自信模型能往特定的方向预测，那这么做其实还行，但是定向这事很困难的，例如都是二分类问题，一个分是否是天气意图，一个分是否是电影意图，都是同一批数据，如何知道训出的无监督模型朝着那个任务的方向预测？

所以，私以为还是要从人体的根源出发。分几个情况吧：

整体数据都很少的情况。

整体数据尚可，但是特定类目或者特定情况的数据太少的情况。

对于整体数据都很少的问题，如果是像我前面说的——在本身数据的覆盖面已经较充足的情况，那其实直接数据增强是可以的，增强之后会让模型强化对特定意识的了解，直接就能学出来了，但是如果不足，那就要找渠道增加数据了，有用户数据的，可以捞一些用户query，根据用户点击在整理下，没有的，结合一些词典构造一些样本放入也是可以的，甚至有一些场景是有公开数据的，直接拿来用。

而对于数据样本不均衡的问题，之前有写过文章介绍，此处不赘述了（心法利器[44] | 样本不均衡之我见）。

小补充

只有在数据的数量和质量都比较充足的时候，我们才有资格去谈模型，谈其他的优化策略，这应该是一名成熟的算法工程师所需要掌握的基础知识。

模型升级的收益

模型的升级往往带来的是一个系统级别的提升，这个系统提升是上限的提升，只有到这个系统内部的多个位置都已经有比较高了，这时候换模型才能带来比较明显的收益，例如数据已经调教的比较好，没有什么大问题，这个时候升级模型能很快提分，这里例如fasttext->textcnn，上预训练模型等，但是确实是要看清切换的时机，毕竟切换是需要成本的，到时候切换完效果不提升，白干活的话KPI很容易崩的（狗头）。

有关切换时机，大家可以看这篇（心法利器[63] | 预训练模型的上线时机）。

特定样本引入打来的提升

常规下，要调整效果，还是要从bad case里出发，理解数据中常见的问题，然后进行优化，其实是日常最常用的方式，这个方式简单快速，但是也有难点，难的是发现规律并进行解决，这里给大家介绍一些比较常见的问题和主要解决方法。

正负样本里某些词的词频差距很大，导致模型认为出现的这个词就是分类标志，导致分类错误。

解决方法1，捞日志，这个词在正类多就找带这个词的负类样本，反之亦然。

解决方法2，删除样本，例如这个词在正类多就干掉一些正样本。

泛化能力不足，模型只学到了正规的句式，对于泛化、换个说法的样本可能就预测错了。

r-dropout，值得推荐。

拼接，和一些无意义、闲聊类的句子进行拼接，维持源类别，放入对应类目的样本中。

数据增强，尤其关注随机交叉的这个策略，有收益。

检索增强，用向量召回最接近的句子，用这批放入对应类目。

因为缺乏特定形式的样本（模型没见过），导致模型只能猜还猜不对。

加入特定类型的样本。（在天气意图分类数据里，把“天气之子”作为负样本放入训练集中）

考虑通过别的方式解决，例如用词典（心法利器[41] | 我常说的词典匹配到底怎么做）或者以搜代分的方式来处理（心法利器[60] | 以搜代分的生效机理）补充。

当然，还有一些别的策略，这些策略很大程度和自己对业务、数据的理解有关，越是了解提升的幅度会越大。最近的一次实验，由于用户query其实都是语音转文字得到的句子，而由于采音、ASR等问题，得到的用户query可能不是完整的，不完整意味着可能有关键词但是信息仍旧模糊，这就容易导致误召回了（模糊或者无意义的句子是会被认为是负类的），因此，我才用的策略是对常见高频的句子做随机截断，然后放入负类中，最终结果是以2%的召回率代价换来了4%的准确率提升，算是收益较大的，漏召回的会根据实际情况再调整即可。

其他策略的引入

一个完整可控的系统，不能光靠模型来解决所有问题，而实际上也是模型并不能解决所有问题，我们需要众多的支持和辅助，构造成一个系统，才能让整体效果达到新的高度，这里有一些可以考虑的思路。

对于简单、高频的问题，其实不太认为需要模型，处理用一些词典和规则能更加稳定可控地解决。

如果问题的尾巴比较长，长尾问题的样本比较难获取，占比较低，此时模型并不能学得好，与其考虑增强和挖掘，不如交给检索的方式做更加高效，别考虑增加特定样本了（以搜代分：心法利器[26] | 以搜代分：文本多分类新思路）。

模型附带后处理，解决模棱两可，或者比较边界的问题，举个例子：

阈值大于0.7的才是正类，0.5-0.7的部分需要依赖别的因素做进一步判断才准入。

多个分类模块组合，最终用加入rank层进行多结果的排序，解决复杂多变的分类场景。

多个二分类，不让模型处理混淆问题，最终rank层再来择优。

类目体系更新频繁，重训模型对其他类目影响大。

多个分类场景差异大，数据不好平衡。

审核编辑：刘清