前兩篇文章，我們介紹了“關鍵詞+正則”質檢方式和全新的“非正則”質檢方式的區別，也介紹了兩種機器質檢方式各自適配的場景。
雙模質檢，各司其職。“非正則”質檢方式透過引入深度學習演算法模型，能夠更好地利用上下文語義來判斷一個句子是否命中了質檢項，顯著提升找全率（術語“召回率”）和找準率（術語“準確率”）。同時，由於深度學習演算法模型對訓練資料量有要求，因此“非正則”方式更適合目標通話量較多的質檢項，而目標通話量過少的質檢項，無法訓練出好的演算法模型，需要繼續使用“關鍵詞+正則”的方式。
今天，我們進一步分析，如何對不同的質檢項採取不同的最佳化策略，使機器質檢和人工複檢更好地平衡，提升整體質檢工作的效率。
召回率和準確率的關係
我們希望每個質檢項所命中的目標通話又全又準。這也是迴圈智慧的質檢產品引入“非正則”模式的原因。
但在最佳化質檢項的命中效果時，當召回率和準確率都達到了一定的高度，想要繼續提升，難免會遇到“二選一”的問題：召回率和準確率互相影響、此消彼長，一個指標增長，另一個指標通常就會下降。
圖：Designed by Creazilla在實際應用中，大部分企業的業務流程是“機器質檢+人工複檢”：將機器質檢的結果交給人工做複檢。因此，機器質檢的召回率和準確率變化，會影響到人工複檢的成本：
提升召回率（適當犧牲準確率），意味著降低“漏檢”的風險，但可能會增加“誤檢”帶來的人工複檢成本；
提升準確率（適當犧牲召回率），意味著降低“誤檢”帶來的人工複檢成本，但可能會增加“漏檢”的風險。
那麼對於不同的質檢項而言，如果碰到“二選一”的問題，該如何做出選擇？
負向質檢項：通常“召回率”優先
在貸後資產管理（催收）領域，質檢項以負向為主，例如恐嚇威脅、疑似私收錢款等。負向質檢項通常有兩個特徵，第一是違規量通常都不太大（大部分通話不會違規），第二是漏檢之後的風險相對比較大。因此，針對負向質檢項，我們通常應該透過調整演算法模型的引數或規則程式碼，保證“召回率”優先，將更多涉嫌違規的通話都找出來，然後增加人工成本去做複檢，“寧可錯殺一片，不可放過一個”。
正向質檢項：通常“準確率”優先
正向質檢，是指對業務員符合規範的地方進行加分激勵。最近幾年，正向質檢越來越受到企業重視，因為負向質檢判斷的只是業務員有沒有犯錯，是一種“懲惡”的理念，而正向質檢可以用來激勵業務員變得更加專業、更加規範，是一種“揚善”的理念，更有利於形成正向迴圈。
例如客服領域的規範性用語：“標準開場白”、“標準結束語”、“服務延伸使用者（請問還有什麼可以幫您）”以及“確認客戶預留資訊”等。這類正向質檢項，通常目標通話量比較大，如果錯誤率較高，複檢成本就會很高。面臨二選一的時候，我們通常應該透過調整模型引數或規則程式碼，優先提升準確率，降低人工複檢成本，“寧可漏掉幾個，不可錯殺一片”。
實際場景更復雜
通常，因為負向質檢項的漏檢風險比較高，所以“召回率優先”，降低漏檢風險；而正向質檢項的目標通話量比較大，所以“準確率優先”，降低複檢成本。
此外，在實際應用中，還要將其他因素綜合考慮進去，比如不同質檢項的召回率和準確率提升難度不同，比如不同企業的複檢員數量是不同的……我們才能更好地制定不同質檢項的最佳化策略。