一个机器学习二元分类的问题请教

Question

需求
目前每天人工从1000~2000篇抓取的文章中 挑选出10~20篇高质量的文章 推送给客户
想要改成机器自动筛选

想问一下 用机器学习实现这个需求该怎么做呢？

样本大概是这样：
平台 标题 内容 内容长度 是否推送（label）

Answer 1

样本有多大呢？有100W吗？如果样本很大的话，可以直接深度学习。如果不是太大的话，根据你给出的样本可以直接上逻辑回归。不过要自己提取特征，特征太小可能推荐不精准，特征太大又可能过拟合。还是要自己尝试一下。

Answer 2

先从特征工程上仔细思考？在抓取新闻过程中更多维度的抓取。然后重点落在高质量如何判断。

• 如出现次数，评论数，互评数，长度，是否广告，都可能是影响文章“质量”的因素。
• 然后再以上述数据作为输入传入模型（LR/DT/SVM），输出结果。

除此之外，如果不想做特征工程，可以考虑深度学习。将每条新闻，以一串长文本形式进行word embedding作为序列传入神经网络，输出是否高质量的二分类。word embedding可以采用预训练好的或在训练模型时同时训练。