28、机器学习实战：从体育社交网络到现实挑战

机器学习实战：从体育社交网络到现实挑战

1. 体育社交网络的MLOps项目

在体育社交网络领域，利用有机的“增长黑客”策略来推动平台发展是一个极具挑战性的任务。起初，通过机器学习反馈循环，平台成功吸引了数百万的月活跃用户。然而，Facebook法律团队的通知给项目带来了阻碍，原因是平台创建了带有自身链接的独特体育内容。

1.1 系统工作流程

• 用户发布原创内容，平台将其跨发布到Twitter和Facebook等社交网络。
• 收集平台产生的页面浏览量，将其作为机器学习预测系统的目标。
• 收集用户的社交媒体信号，如中位数转发、中位数点赞和维基百科页面浏览量，作为特征，以过滤虚假数据。
• 根据用户在平台上产生的参与度向原创内容创作者支付费用。

graph LR
    A[用户发布原创内容] --> B[跨发布到社交网络]
    B --> C[收集页面浏览量]
    C --> D[作为ML预测系统目标]
    A --> E[收集社交媒体信号]
    E --> F[作为特征过滤虚假数据]
    D --> G[支付内容创作者费用]

1.2 数据标注挑战与解决方案

最初收集数千名“名人”社交媒体用户的手柄信息时遭遇失败，原因是实习生缺乏可靠输入的训练，容易导致信息错误。为解决这一问题，引入了亚马逊Mechanical Turk进行自动化处理。训练一组“Turker”来查找运动员的社交媒体手柄，当7/