陆道升总算赶在出发去北京之前完成了对hao123爬虫系统的改造。在原有流程上做了一些优化，以及新增了一个在线的评审系统。
前世hao123创始人李兴平是通过个人的全身心投入来保持hao123的不断更新和迭代，每天要花十多小时在人力检查链接是否失效或者被移花接木的问题上。
失效的问题对陆道升来说很好解决，就是网站打不开了而已，可能是暂时的网络问题，也可能是确实网站停止服务了。
总之就是写程序通过网址来请求网站内容，分时段多试几次，如果都请求不成功，那就是失效了。
最多再加一个每个时间段内失效网址数量的监控，占比不超阈值，那么就确认这是失效网址，如果超过阈值，可能是网络问题造成网站集体访问失败，发送报警到陆道升邮箱但不做处理，等过段时间再次检测即可。
网址被移花接木就很麻烦了，想通过技术手段对比会很费事，投入产出严重不值得，大头还是靠人工。
有很多网站运营一段时间后难以为继，就会关张大吉，其拥有的网址往往会被其他人买走另作他用。
这个另做他用对陆道升来说就很头疼。
比如之前做游戏的网址被换成做娱乐，那就应该从游戏分栏里转移到娱乐分栏。更头疼的是还有的网址直接被买走搞成了涉黄网站，这就根本不能留了，得直接干掉。
而要做以上判断，就需要人工审阅。
为了减少审阅工作量，陆道升特意写过一个对比过滤的流程，即把网站上一次的文本内容缓存下来，下一次爬取时进行一个对比，如果网页结构和内容变化比例没超过阈值，则直接略过，认为可以保持原有判断，如果超过阈值，那就整理起来输出为列表，再由人工来一条条对比审核。
陆道升本以为针对不同的网址分类，可以通过设置不同的差异度阈值来进一步减少需要人工审核的数据量，结果发现同网址分类下各个网址的更新强度天差地别，很难得到一个大分类适用的数值，只得作罢。
另一个雪上加霜的情况就是新网站越来越多，新网站的加入都需要人工处理以确定是否有收录的价值，以及如何分类、排序。
虽然通过技术手段已经压缩了绝大部分的工作，但是hao123带来的时间开销在不断攀升，陆道升有些担心自己哪怕加上左文杏的时间精力都不足以在保障好网吧管理系统开发的同时做好hao123的维护工作。
而在hao123带来正向的广告收入之前，这段时间股市的收益也没有兑现，陆道升手里的可用资金并不多，招不起人。
也不是说招不起几个临时工，或者找几个网管就当给他们个机会赚赚外快，但是这样的人的责任心很难保障，钱不怕多花，事儿不能做岔了，宁可等手头充裕了挑几个合用的。
现阶段，就只能依靠技术优势暂时压住增长的运营人力开销了。
另一个在线的评审系统，则是陆道升在浦外听到人议论自己时临时想到的，那就是能不能把hao123的审核工作给改造一下，然后变成可以分发的小块任务，通过邮件分发给不同的人来处理，处理完成后进行结果的集中处理。
联想的过程大概如下，听到有人议论自己，觉得自己好厉害，心中先暗爽一会儿。
接着想到议论自己的可都是素质极高的大学生，个人素质过硬，这要是能凭自己现在的校内名气给请来帮自己分担一些hao123的人工审核工作，自己可能就不用天天担心对hao123的精力投入不足，有一天会被竞争对手干掉了。
而想到这种多人分担工作任务的情景，陆道升立马回想起前世出现的一种人工标注平台的业务模式（比如appen.）。
在大数据时代，为了使一些机器学习算法取得良好的效果，就需要大量的样本数据供算法进行模型训练。但有时候搜集不到那么多的有效样本数据，就需要人工进行诸如文章分类、图片标注等工作，来人力产生足够多的样本数据。
也有一些靠机器学习算法解决不了的问题，比如色情图片，恶意评论等等，也需要人力审核来进行捕获。
以上这些事情，大大小小的互联网公司都有需求，但是绝大多数公司都不会亲自雇人来做这个事情，而是会转交给专门从事标注工作的第三方公司来完成。
标注工作在参与人员上也有讲究，那就是不能人员数量太少且固定。如果就是雇佣几十上百个人，然后去标注百千万的数据，那么很可能会出现认知偏见。最好是能有更多的不相关的人来参与标注，这样累积出来的数据才不会出现明显的偏向性，才能让机器学习算法训练出适用性最强的预估模型。
为此，这些标注公司演化出了一种分派式的业务模式。
即先从需要对数据进行标注的公司那里获取待标注的数据合集，然后将数据合集分割成一个个数量很少适用于单人的问卷，再将这些问卷通过自己构建的平台分发给平台上的答题人。
这章没有结束，请点击下一页继续阅读！
喜欢此生应无憾请大家收藏：(m.zuiaixs.net)此生应无憾醉爱小说网更新速度全网最快。