隨著移動互聯網顛覆性變革，網約車不斷髮展普及，已進入人們日常生活。滴滴作為領先的一站式移動出行平臺，深刻影響著人們的出行和生活方式，在智能評價體系中，每個乘客乘車結束後手機端都會收到一個推薦的評價問題，如“司機是否繞路？”。
智能評價體系
如果該回答能夠很好的反映出此次行程的不足，那將有助於平臺對司機進行教育，以提高用戶的體驗，藉助機器學習來進行評價問題推薦就是智能評價體系的主要目標，然而，這其中存在兩個嚴重影響機器學習性能的數據問題，一是數據存在嚴重的標記噪聲，因為評價結果往往受到乘客主觀因素的影響，導致收集到的標記不準確，同時也存在著大量誤操作和乘客隨意評價的情況；二是數據標記分佈存在偏差，即訓練數據中差評與好評數據的標記分佈和真實線上環境的標記分佈存在明顯的差距。
圍繞這類實際數據問題，需要發展複合弱監督學習技術，本文提出的複合弱監督學習技術明顯優於單純弱監督學習技術，可將AUC性能提升5%以上，具體而言，針對標記噪聲問題，我們對樣本進行賦權，其目的是希望能夠對噪聲樣本賦予較低的權重，從而減少其對模型性能的影響，在滴滴司乘評價數據中，複合弱監督學習技術方案和僅考慮一種弱監督數據信號的單純弱監督學習算法進行比較。
分享到:
