垃圾分类

随着应用系统采集数据的广度和深度，互联网的垃圾数据也被抓取进来，从而影响用户体验；

垃圾类别

出租：
#重庆*租房*[超话]#南岸区茶园地铁金隅时代之星B座*单间**配套**公寓**出租*
招聘：
点开查看5/24招聘*信息*，大小厂都有，小厂更自由，工资也不低：诚
征婚：
我正在陌陌看中南*相亲**交友*的直播：520来脱单一言不合看直播

训练数据

V1

利用专家知识，配置特征词过滤候选文本特征集；以 出租类别 的关键词为例：
公寓|楼房|商铺|宅基地|房子|房屋|居室|LOFT|次卧|主卧|诚心|诚意|安心|放心|诚租|好房|跳水价|住宅|别墅|房东|二手房|一手房|现房|毛坯房|住房|厂房|套房|洋房|房源|写字楼|门面|租房|直租|中介费|个人|单间|价格|居住|小区|业主|信息|配套|户型|毛坯|户型|看房|层高|房东|私产|精装|平装|旺铺|租房|平方
随后便以匹配关键词过滤候选文档

V2

业务系统使用使用elastic search进行存储,所以天然支持相关度排序(BM25);所以还是参照上述特征词，在ES中检索，按照相关度排序，便可以收获较高的训练预料集

模型选取

V1(2018) - TextCNN

2018年初,使用TextCNN训练多分类(使用V1版本的训练数据集)，便匆匆上线; 然而接下来的便是存在较大概率数据的误判，已经影响到客户的正常使用；

V2(2019) - FastText

伴随着客户的抱怨声，分类器优化已经迫在眉睫，进而使用V2版本的训练数据集，以 FastText(w2v + svm)作为baseline; acc达到 0.97

总结

训练数据的质量决定了你的模型的高度，而模型方法只是在逼近这个高度。以上细有省略处，还请见谅，只是借此阐述数据质量的重要性