视频分类印象深刻，因为这是我亲手做的第一个增效工具。
审核的其中一个任务是保证视频分类信息的准确性，账号本身是有一个缺省分类的，内容上传之后默认使用账号的分类。但是也有一些账号，上传的内容不是特别垂直，有些内容的分类和账号分类不一致，这样就需要手动修改账号的分类，需要修改分类的内容大概占到总内容量的20%左右。
修改账号分类是一个非常耗时的工作，优化之前，质量审核的同事跟我说，接近一半的时间消耗在修改分类上面，也就是说，如果能够有效的提高修改分类的效率，那么对审核效率的提升会有直接的帮助。
修改分类消耗时间长，主要的原因也是交互困难，内容的总分类超过50个，要修改分类，需要从下拉列表框中选择相应的分类，这个过程是很消耗时间的。最初是用鼠标选择，尝试做了一些优化，支持通过键盘输入分类的首字母，但总的来说还是不尽如人意。
如何通过技术方案来优化修改分类功能，如果通过视频特征判断，最主要的困难还是运算量太大，所以考虑能不能通过标题来判断，很多标题的信息量是比较丰富的，足以帮助判断可能属于哪种分类了，于是做了一个分类建议的工具。
主要的处理流程，首先是对标题做分词，抛弃没有含义的虚词，把其他的词做向量化，并建立向量到分类的映射，通过样本数据对模型进行训练，然后针对训练好的模型输入新的标题，就可以给出可能的分类的建议。至于样本的更新，我请研发的同事把每天经过质量审核的分类结果，作为新的样本输入模型继续学习，不断提高模型的准确性。
分类模型可以根据概率给出0～3个分类建议，研发在前端做了相应的处理，会展示建议的分类，并提供了快捷键将当前内容的分类一键替换成某一个建议分类，如果能够命中建议分类，修改分类的操作效率大大提升。
视频分类工具上线初期可以达到85%以上的命中率，后来随着竖屏内容的比例增加，沉浸式播放对标题的要求比信息流低很多，很多内容就是一些标点符号或者干脆就是空的，分类的准确性有所降低，目前还可以保持在接近80%的水平。