点睛 - 头条号文章标题生成工具
- 功能: 自动为头条的文章生成一个题目候选列表(Automatically Generate Article Title in TouTiao Style)
- 展现形式: 初期是linux 的客户端,后期开发一个前端页面,或者一个chrome 插件的形式存在。
- 主要技术: 使用encoder-decoder的技术对 头条的 摘要 和 文章对(abstract-title pair)标题进行训练
- 数据来源: 主要使用 头条的 数据接口,抓万级别的训练样本。
- 使用 python crawl.py 来爬取头条数据,但是需要指定头条feed 流中的 as 和 cp 两个参数,这两个参数,最好每三天更新一次,获取方法如下
从chrom 浏览器的 network 中可以看到最新feed 流地址的这两个参数
- 2017/05/27 使用大约30K的训练样本,摘要-标题对,对每个汉字做100 维 embeding 使用CNN做encoder,GRU unit 的RNN 做decoer. 一天500个epoch 之后训练效果如下 :
- 2017/06/01
- 提升:
- 使用search api 爬去了8000(dict/keywords.select)关键字的600K 文章
- 使用jieba 进行分词,进行
- 在30K 训练样本上的语言可读性提高
- 问题:
- 在600K 数据上OOV 问题严重,模型难以收敛
- 解决:
- 增大vocabulary size
- 先训练rnn 的language model,能说好话
- 然后是基于condition的条件下说话
- 提升:
- 2017/06/20