kita / notes
← 回到全部笔记

事件日期 阅读约 1 分钟

聊天导出没有回复 ID,我把引用关系留成候选

发布于

本文目录(2 节)
  1. 正文里有引用痕迹,没有结构关系
  2. 封存边界要进入所有派生文件

我开始整理一批聊天导出,先做字段审计和标准化,没有直接拿它训练。JSON 里有时间、消息 ID、发送者标识、类型和正文,但没有显式的回复 ID。

这影响了下一步:一句话到底在回应谁,不能靠时间挨着就补出一条关系。

正文里有引用痕迹,没有结构关系

导出器把部分引用写成“被引片段 + 正文”,片段会截短。即使找到相同文本,也可能命中多条记录;相同的短句、口头禅尤其容易重复。

我给这些匹配保留候选集合和证据类型,没有把唯一文本匹配升级成真实回复 ID。唯一候选只表示当前搜索范围内只找到一条,不保证导出完整,也不保证被引片段没有截断歧义。

初版还把候选数量截在五条。审查后删掉了这个上限,因为“最多展示五条”被我做成了“最多承认五个候选”,结果会假装歧义比实际少。界面的简洁不能靠删掉不确定性来换。

封存边界要进入所有派生文件

项目暂定把 10 月 1 日起的数据留作封存,按数据证据支持的 UTC+8 本地午夜划分。最初的分析仍有候选或重复组碰到了封存区,后来才把隔离落实到引用候选、锚点和回放等派生物。

封存不是给原始文件贴个标签就结束。后面生成的索引如果仍混用两边,分析阶段一样会看到留出的数据。

这一轮也纠正过身份映射的推论:一个账号对应多个标识,不能直接推导反方向必然有冲突。映射关系需要分别统计,不能只把箭头倒过来写结论。

公开记录只写处理方法,不放真实发言、昵称、账号、身份映射或数据包。标准化完成,也只是后续分析有了可查的输入,不表示已经恢复了完整对话关系。

← 返回全部手记