挖掘优质短视频超百万条，火山引擎 DataLeap 助力电商平台生态治理

更多技术交流、求职机会，欢迎关注字节跳动数据平台微信公众号，回复【1】进入官方交流群

在人们的日常生活中，网购已经成为人们生活中不可或缺的购物形式。

根据《中国社交电商行业发展白皮书（2022）》的数据显示，2022 年社交电商市场交易规模达到 28542.8 亿元，预计 2023 年中国社交电商行业交易规模将达 34165.8 亿元。

这么庞大的市场规模背后，如何解决电商场景下的各项生态治理问题显得尤为重要，某电商平台的治理团队就提供了一个优秀实践范本。

在该电商平台的社交电商场景下，以短视频优质项目为例，平台治理团队会对当天发布的挂购物车类短视频进行标签识别，判断其优质程度及具体原因。经过算法模型识别后，视频将被提交至奖惩中心，根据优质程度进行流量扶持或限制。而在治理过程中，数据处理流程也存在很多的挑战和痛点。

• 首先是数量挑战：大数据量的训练集，难以快速进行数据预处理。业务算法模型的训练集通常很大，达到百万甚至千万级。如果将这些海量数据放在本地或其他开发机上处理，速度会很慢，无法满足业务需求，即使使用多线程处理，并发度也难以达到业务需求。

• 其次是准确度挑战：难以验证算法模型准确度。算法模型的准确性通常通过有偏和无偏两个维度进行验证。模拟算法模型上线后的召回情况和准确率，以及对业务的影响，无论是有偏还是无偏测试集，都需要确保测试集标签的准确性。如果测试集标签的准确性不高，会影响模型评估的准确性。

• 最后是监控挑战。要想做好后续的指标监控，首先需要建立自己平台的统计指标，如召回率、漏放率、审出率、驳回率等。这些指标需要做成数据集，再建立自己的监控看板。同时，如果平台出现反面案例，需要团队进行深入的分析，并优化算法模型。如果没有高效的工具或平台进行辅助，会耗费大量的人力和资源。

为了解决这些痛难点，该电商平台治理团队接入了火山引擎 DataLeap 的大数据研发平台能力，三步搭建起了高效的算法模型数据处理流程。

第一步：在算法开发阶段，进行数据预处理，产出训练数据集。

在使用 DataLeap 之前，由于算法模型的测试集量级较大，数据处理效率低；而现在，该电商平台治理团队利用火山引擎 DataLeap 的 Notebook 任务进行数据预处理，处理后的数据会被存储在 Hive 表或 HDFS 上，这些数据可以在 HDFS 上长久保存，满足了实际应用场景中收集长时间数据的需求，不必受存储有效期为 7 天的限制。

团队可以离线处理这些数据，生成训练集，进行模型训练。由于火山引擎 DataLeap 的 Notebook 能力可以支持任务的自动运行，无需人工搭建 Notebook 环境进行数据训练，大大节省了人力成本，提高了数据处理和统计效率。

（图：DataLeap 数据开发平台示例）

第二步：算法上线，验证模型效果

训练好的模型需要进行评估，以便了解其效果如何。团队可利用 DataLeap 将线上的 Kafka 数据写入 Hive 中，然后离线分析 Hive 表中的数据，用来了解模型的效果。不同模型平台治理团队关注的指标可能有所不同，借助 DataLeap 可以使用不同的指标来评估模型的效果，例如准确率、召回率、AUC 或 ACC 等。

第三步：利用火山引擎 DataWind 搭建监控看板

而在监控板块，DataLeap 可与火山引擎智能数据洞察 DataWind 流畅配合，搭建监控看板，监控人员每日可以及时地获取到数据结果，同时也会对反面案例进行深入的分析，进而优化算法模型。

在火山引擎 DataLeap 的助力下，该平台治理团队去年全年累计挖掘识别优质短视频超 147 万条，助力超 26 万名电商作者平均流量增长 56%；累计处罚违规低质短视频超 3280 万条、违规低质直播超 1500 万场。整体内容质量有明显改观，消费者好感度上升 7.2%。

除数据处理能力之外，火山引擎 DataLeap 还可以提供数据集成、开发、运维、资产等能力，帮助用户提升数据研发效率、降低管理成本，加速推动企业的数字化转型，目前已经应用于泛互联网、制造、新零售、汽车等领域，帮助数据团队有效的降低工作成本和数据维护成本、挖掘数据价值、为企业决策提供数据支撑。

点击跳转大数据研发治理套件 DataLeap了解更多