审核的人力无法满足需求，因此我们需要借助NLP实现两个业务目标：①使用模型辅助审核，提高审核效率。②实现部分评论的自动审核。
上图右侧红框内是文本质量标签和模型给出的处理意见，其下面打码的部分是一些具体操作。
2. 质量模型
基于上述业务目标，我们构建了一个质量模型。我们把文本质量分为优质、良好、普通、劣质四类标签，主要以语言的优美流畅性，与歌曲的相关性，情感极性以及主题类别等作为考量因素。例如上图中的红色评论，首先它和歌曲名有一定的相关性，并且使用了对偶句式。它的语言是比较优美流畅的，因此，我们给它打上了优质的标签。相较之下，黄色的评论是批评周董唱功，我们就给它打上了劣质的标签。
结合质量标签以及评论状态，模型可以给出具体的操作建议，从而辅助或者替代人工审核。
3. 质量模型-V1
第一版质量模型比较简单，主要是用BERT模型进行编码，然后做四分类。我们之前提到的优质、良好标签，它的判定需要融入一些歌曲相关性的信息，因此我们使用了Sentence Pair这种方式去引入歌手歌曲等信息，来帮助模型提取相关性特征。此外，在数据增强层面，我们使用了EDA以及适配业务的一些数据增强方法，有不错的效果。
4. 质量模型-V2
① V2模型的业务目标
第一版模型的劣质标签召回率偏低，主要来源于两种类型的漏召回：
第一个是对抄袭评论的漏召回，比如“初听不识曲中意，再闻已是曲中人。”初看这句话可能会觉得写得还不错，对仗工整，语言优美。但实际上这条评论频繁地出现在各种歌曲下，所以我们把它认定为为抄袭评论，这种评论大量出现在头部评论中，会影响用户阅读体验，因此我们需要给它打上劣质的标签。
第二，质量粗分类模型只能识别一些情绪比较强烈的辱骂评论，针对歌手歌曲客观负面评价难以召回。因此，我们的第二版模型的目标主要是去提升这两类劣质评论的召回。
② 提升抄袭评论的召回
