博客质量分计算——发布 version 5

这篇具有很好参考价值的文章主要介绍了博客质量分计算——发布 version 5。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

1. 背景

博客质量分顾名思义是用于衡量一篇博客的质量,其在 CSDN 的热榜、推荐、搜索等多个模块中发挥着关键性的作用。下图是质量分的工作机制:
博客质量分计算——发布 version 5,Alex: NLP在问答领域的落地与研究,python,算法,自然语言处理

图1 质量分的工作机制

先回顾一下,在第 4 版本 (后续称为 V4) 的质量分中,主要对得分进行了平滑,使得质量分结果分布更均匀,不会过度集中在头部 [80, 100] 和尾部 [0, 20),详见博客。

但是,在 V4 的质量分体系中无明显层次结构 (也可称为可解释性),即博主在博文中加入新的元素 (例如:图片、链接、代码等),质量分没有按阶梯式增高,在博文中加入一些影响阅读的元素之后 (例如:死链、虚假链接、代码混乱等) ,质量分也没有按阶梯式降低。

此外,虽然 V4 的质量分分布更加均匀,但还是不够,详见图 5,该图随机统计了 1 万篇博客质量分的分布情况,其中蓝色部分的柱状图是 V4 的质量分分布情况,可以看出得分主要分布在 [0, 20] 和 [50, 94] 两个区间段。

针对上述问题,第 5.0 版本 (后续称为 V5.0) 的质量进行了一系列的改进,在保证 V4 高质量博客数据保留约 90% 的情况下 (即 V4 中 80 分以上的博客在 V5.0 中有约 90% 仍在 80 分以上) ,得分分布更均匀,质量分体系层次结构也更清晰。

接下来,将对第 5.0 版本质量分的改进进行详细阐述。

2. 质量分 version 5.0

2.1 version 4 存在问题分析

下图是 V4 版本质量分计算流程:
博客质量分计算——发布 version 5,Alex: NLP在问答领域的落地与研究,python,算法,自然语言处理

图2 V4 版本质量分计算流程图

从图 2 可以看出,V4 版本质量分计算流程存在以下问题:

  • 正向积累得分中,目录标准目录 作为两个不同的项,存在冗余;
  • sigmoid 归一化中,sigmoid 函数将得分强制映射到了 (0.5, 0.938), 使得 0.5 和 0.938 以下的得分极少出现,此外 (此处得分为缩放前的得分,取值为[0, 1]);
  • sigmoid 归一化应该放在最后阶段,而不是中间阶段;
  • 文章是否有投票 可以直接放到正向累加得分中;
  • 计算逻辑中只有正向积累得分 (亦称加分项) 和惩罚项,而没有减分项。从得分系统设计逻辑的完备性来看,应该分为以下三个部分:
    • 加分项:从0到1,逐步加分;
    • 减分项:从1到0,逐步减分;
    • 强惩罚因子:严重违规的情况,直接乘以一个较低的惩罚因子,例如:0.1, 0.2。

此外,除了上述计算流程上的问题,V4 版本的质量分在多个得分项上面还存在以下问题:

  • 代码得分:可理解为代码量得分,英文为 lines of code,即代码的行数,而 V4 版本中的计算方式是代码中 token 的数量;
  • 各子得分项不够平滑:以 内容长度得分 为例,使用的是 Min–max normalization (代码如下所示),该归一化方法存在截断的情况,如果输入值大于最大值,则得分就不会发生变化了,并且也不够平滑,例如:
    • 内容长度得分,如果文章长度的最大值是 2000,文章 1 的长度为 2000,文章 2 的长度是 3000,则文章 1 和文章 2 的得分是一样的。

    • 目录得分,目录得分是基于正文中的多级子标题的数量进行计算的,标题数越多,则得分越高。V4 版本直接使用的是 Min–max normalization,其中 min = 0,max = 10。该归一化方法不够平滑,如果博文中只有 2 个子标题,则得分只有 0.2,但质量分的初衷是鼓励用户正确使用多级标题,有的文章确实不需要过多的多级标题,可能 2 个子标题就可以将文章结构划分得很清楚,即 2 个子标题应该得到 0.5 以上的得分。

      def min_max_normalization(value, max_value, min_value):
          if value > max_value:
              value = max_value
      
          if value < min_value:
              value = min_value
      
          if min_value > max_value:
              tmp_value = max_value
              max_value = min_value
              min_value = tmp_value
      
          norm_value = (value - min_value) / (max_value - min_value)
      
          return norm_value
      

2.2 version 5.0 改进

针对 V4 版本中存在的问题,V5.0 版本进行了相应的改进,改进后的计算流程如下图所示:
博客质量分计算——发布 version 5,Alex: NLP在问答领域的落地与研究,python,算法,自然语言处理

图3 V5 .0版本质量分计算流程图

从图 3 可以看出,V5.0 版本针对 V4 版本在计算流程方面进行了如下改进:

  • 目录标准目录 进行合并,统一为目录得分;
  • sigmoid 在进行平滑时候,放到了最后一个阶段,并且新的 sigmoid 函数映射的得分区间为 (0.017, 0.983),相比之前的 (0.5, 0.938),得分分布更加均匀,函数图像如下所示:
    博客质量分计算——发布 version 5,Alex: NLP在问答领域的落地与研究,python,算法,自然语言处理
图4 V4 和 V5.0 版本的得分平滑函数
  • 文章是否有投票 直接放到了加分项中;
  • 计算逻辑直接拆分成了三个部分:加分项、减分项和强惩罚项;
  • 新增 非 IT 技术文章 减分项
  • 文章结构太简单 从强惩罚因子变为减分项,因为文章结构简单已经在 文章内容长度得分 以及 标签多样性得分 等多个地方有所体现,故无需进行强惩罚;
  • 新增 图片得分
  • 优化各个子加分项权重,使得分呈阶梯式增高或降低;
  • 计算流程最后一步的得分取整 int(score * 100) 改为 round(score * 100) ,因为 python 中的 int() 默认是向下取整,round 是四舍五入。

此外,除了计算流程上的优化,V5.0 版本还对每个字得分项上的计算逻辑进行了优化,具体如下:

  • 代码得分 直接使用代码行数以及代码块个数进行衡量;
  • 针对多个子得分项不够平滑的问题,V5.0 中减少了 Min–max normalization 函数的使用,改为使用分段函数,或者其他更为平滑的曲线。V5.0 版本针对 内容长度得分目录得分代码得分链接得分图片得分 等多个子得分项进行了平滑以及计算逻辑微调,例如:
    • 对于 内容长度得分 中的截断问题,使用分段函数处理
      def __cal_content_length_score(self, content):
        """ 计算内容长度得分 v5.0
        """
        content_len_base = self.content_len_range["max"] / 2
        content_len_cut_off_point = sigmoid(self.content_len_range["max"] / content_len_base)
      
        content_len = len(content)
      
        # 分段函数,平滑内容长度较大时的得分
        if content_len <= self.content_len_range["max"]:
            score = min_max_normalization(
                content_len, self.content_len_range["max"], self.content_len_range["min"])
            score *= content_len_cut_off_point
        else:
            score = sigmoid(content_len / content_len_base)
      
        return score
      
    • 对于 目录得分 中不够平滑问题,使用幂函数进行平滑
      def __cal_heads_toc_score(self, sample):
        """ 计算目录得分 v5.0
        
        """
        # 1. 正文中的多级标题 (即 h1, h2, h3, h4) 得分
        heads_list = sample["catalog"]
        heads_num = len(heads_list)
      
        # 平滑,当 heads_num 较小时,得分变化不至于过小
        heads_score = min(math.pow(heads_num / self.heads_num_para["max"], 0.25), 1)
      
        # 2. toc 得分
        if "toc" in sample:
            toc_score = 1.0
        else:
            toc_score = 0.0
      
        # 3. 加权
        score = heads_score * self.heads_toc_weight["heads"] \
            + toc_score * self.heads_toc_weight["toc"]
      
        return score
      

2.3 消融分析

本文进行了部分消融实验,测试各个 V5.0 版本中各个因素的影响:

2.3.1 正向积极得分消融实验

通过逐步去掉影响质量分的某个要素,观察质量分的变化。

下表中,质量分-V5.0-sigmoid 表示 V5.0 版本最终的质量分,质量分-V5.0-base 表示 V5.0 版本 sigmoid 平滑前的质量分。由于 sigmoid 函数的特性 (函数图像见图 4),会平滑掉高分段和低分段分数的差异性,中分段的差异性会更加明显,这也符合一个常识性假设:“分数越高,就越难提升分数”。

因此,为了观察每个要素对质量分的影响,对比 质量分-V4质量分-V5.0-base 即可。从下表中标红的得分可知,V5.0 版本要优于 V4 版本,V5.0 版本更能体现随着要素的减少,质量分呈现阶梯式的降低。

博客 质量分-V4 质量分-V5.0-base 质量分-V5.0-sigmoid 长度 标题 图片 链接 目录 标准目录 代码 投票 元素多样性
测试博客1 91 97 98 1 1 1 1 1 1 1 1 8
测试博客2 91 92 97 1 1 1 1 1 1 1 0 8
测试博客3 89 86 95 1 1 1 1 1 1 0 0 7
测试博客4 83 84 95 1 1 1 1 1 0 0 0 6
测试博客5 82 81 93 1 1 1 1 0 0 0 0 6
测试博客6 79 75 90 1 1 1 0 0 0 0 0 4
测试博客7 78 70 84 1 1 0 0 0 0 0 0 4
测试博客8 76 65 78 1 0 0 0 0 0 0 0 4
测试博客9 76 64 77 0.75 0 0 0 0 0 0 0 4
测试博客10 76 62 76 0.5 0 0 0 0 0 0 0 4
测试博客11 68 46 55 0.25 0 0 0 0 0 0 0 4
测试博客12 10 23 2 0 0 0 0 0 0 0 0 2

2.3.2 正向累积得分单变量实验

通过每次只去掉一个影响质量分的某个因素,观察质量分的变化。

理由同上,直接对比 质量分-V4质量分-V5.0-base,从下表中标红的得分可知,V5.0 版本要优于 V4 版本,每去掉一个要素,V5.0 版本的得分降低更加明显。

博客链接 质量分-V4 质量分-V5.0-base 质量分-V5.0-sigmoid 长度 标题 图片 链接 目录 标准目录 代码
测试博客1 91 92 97 1 1 1 1 1 1 1
测试博客2 89 86 95 1 1 1 1 1 1 0
测试博客3 86 90 97 1 1 1 1 1 0 1
测试博客4 91 88 96 1 1 1 1 0 1 1
测试博客5 91 88 96 1 1 1 0 1 1 1
测试博客6 91 87 96 1 1 0 1 1 1 1
测试博客7 90 87 96 1 0 1 1 1 1 1
测试博客8 91 92 97 0.75 1 1 1 1 1 1
测试博客9 90 91 97 0.5 1 1 1 1 1 1
测试博客10 89 86 95 0.25 1 1 1 1 1 1
测试博客11 15 52 58 0.1 1 1 1 1 1 1

2.3.3 非高分文章消融实验

上述两个对比实验使用的是高分文章,由于 sigmoid 在高分段平滑性强的影响,很难看出差异性。为了进一步证明 V5.0 版本的优势,下表是非高分文章的对比实验,可以看出,V5.0 版本的质量分变化更加平滑。最明显的例子就是第 1 行和第 2 行的数据,使用 V4 版本测试时,在第1 行的 12 分博客的基础上,逐字逐句地增加博客的长度, 质量分会从 12 分一下跳到 70 分,而 V5.0 版本的变化是均匀的。

博客 质量分-V4 质量分-V5.0
软件测试的案例分析 - 闰年1 12 30
软件测试的案例分析 - 闰年2 70 54
软件测试的案例分析 - 闰年3 67 41
软件测试的案例分析 - 闰年4 71 60
软件测试的案例分析 - 闰年4.1 73 71
软件测试的案例分析 - 闰年4.2 84 84
软件测试的案例分析 - 闰年4.2 (加投票) 85 89
软件测试的案例分析 - 闰年5 83 95

2.4 V4 和 V5.0 版本质量分分布对比

随机抽取 10000 条博客数据,对比V4 和 V5.0 版本质量分分布情况,由下图可知,相比 V4 (蓝色部分) 版本,V5.0 版本 (红色部分) 的分布更加均匀,得分的覆盖范围也更广。
博客质量分计算——发布 version 5,Alex: NLP在问答领域的落地与研究,python,算法,自然语言处理

图5 V4 和 V5.0 版本质量分分布对比

3. 总结

质量分 V5.0 版本进行了较大的更新,由 2.3 节的对比实验可知,相比 V4 版本,随着文章内容的变化,V5.0 版本的得分变化更加均匀与合理。同时,由 2.4 节的分布对比可知,V5.0 版本的得分分布更加均匀,分布覆盖范围也更广。这些变化进一步带来的好处就是质量分变化的 可解释性 更强。

除了上述主动的优化,在修改代码的过程中,还发现了若干隐藏的 Bug,进一步确保了质量分计算的正确性。

此外,为了避免新版本 V5.0 对 V4 版本中高质量博客 (80 分以上) 的影响,通过函数变换,保证 V4 版本中约 90%的高质量博客仍在 80 分以上。

最后,希望各位用户多多提宝贵的建议,您的建议是我们后续持续优化的动力,感谢各位!文章来源地址https://www.toymoban.com/news/detail-536795.html

4. 参考

  • 博客质量分计算(三)——发布 version 4
  • 博客质量分计算(二)
  • 博客质量分计算(一)
  • CSDN-AI小组2023-半年-研发总结

到了这里,关于博客质量分计算——发布 version 5的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • NLP——Question Answering 问答模型

    基于信息检索的问答(Information Retrieval-based QA)系统 是一种利用信息检索技术来寻找答案的问答系统。 这种类型的问答系统的工作流程通常如下: 问题理解:首先,系统需要理解用户的问题,这可能涉及到 词性标注、命名实体识别、依存关系解析 等自然语言处理技术。 文

    2024年02月09日
    浏览(25)
  • 几个nlp的小任务(多选问答)

    @TOC

    2024年02月10日
    浏览(83)
  • 几个nlp的小任务(抽取式问答)

    2024年02月11日
    浏览(34)
  • 自然语言处理 Paddle NLP - 检索式文本问答-理论

    基础 自然语言处理(NLP) 自然语言处理PaddleNLP-词向量应用展示 自然语言处理(NLP)-前预训练时代的自监督学习 自然语言处理PaddleNLP-预训练语言模型及应用 自然语言处理PaddleNLP-文本语义相似度计算(ERNIE-Gram) 自然语言处理PaddleNLP-词法分析技术及其应用 自然语言处理Pa

    2024年02月11日
    浏览(46)
  • 自然语言处理 Paddle NLP - 结构化数据问答-理论

    基础 自然语言处理(NLP) 自然语言处理PaddleNLP-词向量应用展示 自然语言处理(NLP)-前预训练时代的自监督学习 自然语言处理PaddleNLP-预训练语言模型及应用 自然语言处理PaddleNLP-文本语义相似度计算(ERNIE-Gram) 自然语言处理PaddleNLP-词法分析技术及其应用 自然语言处理Pa

    2024年02月11日
    浏览(57)
  • 【Langchain】+ 【baichuan】实现领域知识库【RAG】问答系统

    本项目使用 Langchain 和 baichuan 大模型, 结合领域百科词条数据(用xlsx保存),简单地实现了领域百科问答实现。

    2024年02月21日
    浏览(41)
  • LangChain 2 ONgDB:大模型+知识图谱实现领域知识问答

    Here’s the table of contents:   LangChain 是一种 LLMs(大语言模型) 接口框架,它允许用户围绕大型语言模型快速构建应用程序和管道。 Langchain2ONgDB 是参考 Langchain2Neo4j 的实验项目,将ONgDB集成到了 LangChain 生态系统。 在 Langchain2Neo4j 的基础上去掉了 Keyword search(全文检索) 和

    2024年02月17日
    浏览(42)
  • NLP(六十一)使用Baichuan-13B-Chat模型构建智能文档问答助手

      在文章NLP(六十)Baichuan-13B-Chat模型使用体验中,我们介绍了Baichuan-13B-Chat模型及其在向量嵌入和文档阅读上的初步尝试。   本文将详细介绍如何使用Baichuan-13B-Chat模型来构建智能文档问答助手。 文档问答流程   智能文档问答助手的流程图如下: 文档加载(Document

    2024年02月15日
    浏览(66)
  • 文献综述|NLP领域后门攻击、检测与防御

    前言 :在信息安全中后门攻击(Backdoor Attack)是指绕过安全控制而获取对程序或系统访问权的方法。而随着深度学习以及各种神经网络模型的广泛应用,神经网络中存在的后门问题也引起了研究人员的广泛关注。神经网络后门攻击就是使网络对正常的输入做出正确的判断且表

    2024年02月12日
    浏览(31)
  • 【博客历程】比起方法和技巧,我更想谈质量与坚持

    还没准备好,等我怎样怎样时再··· 还在犹豫什么时候开始,如何开始时 我想告诉你的是,犹豫就会败北,从现在开始吧 Just do it! Just do it! Just do it! 我的第一篇博客 翻看自己写的第一篇博客,是2020年9月21日的排序算法总结☑▁▂▃▅▂▃▁▂▃▇▆▃▂▁ 在这之前,虽然

    2024年02月06日
    浏览(10)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包