博客质量分计算（一）

新的启程

上周我正式加入了 CSDN 的 NLP 团队。感谢组织给了这样一个机会，可以和志同道合的同事一起做喜欢的事情。在数理统计专业毕业21年后，开始进入 AI 方向，大概也可以算是人生的一种螺旋上升吧。

博客标题质量评估

我的第一个开发任务，是内容质量分。这里的质量，并不是严格遵循主观上的内容质量，而仅仅是一个排序依据，可以说是推荐系统的一部分，我们旨在于基于统计算法而非人工干涉，尽可能在统计上将更优质的内容推荐给用户。
这个结果通常并不能保证对每个读者都是最好的，只能尽可能的向这个目标去接近，关于这一点，算是推荐系统的一个永远的遗憾吧。
对博客标题的评估，是其中一个特殊的子项。标题有其特殊性，它不需要是完整的句子，而应该是尽可能清晰的说明文章内容的要点。而对于标题推荐，主要目标是两个，一个是标题应该符合专栏题材或搜索关键字，这方面要重点对抗通过标题堆砌关键字来提高命中率的行为；一个是标题要能符合文章本身的内容，要对抗“标题党”行为。
我手工采集了一万多篇博客的标题，人工阅读了一遍，感觉 CSDN 博客的质量还是很高的，标题绝大部分都是非常有诚意的。
标题党最喜欢的是通过一些“抓眼球”的文字和标点，吸引读者点击，所以我第一个想法是找出共性最大的标题子集，或许就是一个现成的标题党集合。但是阅读了这一万五千多标题后，我感觉这个方向走不通，因为技术博客是一个特殊的垂直领域，好的标题也会因为在讨论类似的内容而非常相似。相反，对标题的词汇做聚合，可能得到的最大的子集是技术术语集合。
初步来看，对于技术博客，标题质量应尽量靠拢以下目标：

符合自然语言语法的主谓/动宾结构
- 部分词汇在术语词典中，重点是主语和宾语
- 如果一个标题只有术语词典中的词，做一定的降权
- 标题的情感分析结果应趋向于中立，情绪激烈的予以降权
- 对包含负分数词汇的标题降权

要更完整的评估一篇文章的质量，除了标题，还需要对内容做分析。下一篇文章我们讨论博客文章的内容质量： https://blog.csdn.net/ccat/article/details/123911429