长尾问题算法和数据两个方案:大量标签(超过100个,1000个那种)的项目中会出现。
数据上:直接把长尾标签对应的样本提升上去。
算法角度上:尽可能的利用本身现有信息。可以利用层级信息辅助多标签的预测。或者利用标签之间的语义关系这些信息,去预测标签。
训练数据不足:
(1)数据增强的手段:
-
图片:翻转,滤波器。
-
文本:
– 常规增强:随意删除某一字,调整字的顺序,同义词替换,随机替换(增强它的鲁棒性)。
– 生成的算法:比如和GBT模型做些文本生成任务。
(2)可以先引入预训练模型,或者自己先预训练模型。
(3)其实上述做法提升是有限的,但是每次做的是一个业务,其实真正提升的还是对业务理解,从而补充的数据。包括数据补充也可以和其他BU进行沟通,看看可否更多的补充进去数据。
关于预训练的一些疑问的点:
bert用的无监督文本。数据是无监督的,但是通过无监督的数据构造有监督的任务。就是mask的任务,相当于预测mask。比如有2000多个词表,就变成一个2000多类的一个多分类的任务。