【51CTO.com原創稿件】2018年11月30日-12月1日，WOT2018全球人工智能技術峰會在北京•粵財JW萬豪酒店盛大召開。60+國內外人工智能一線精英大咖與千余名業界人士齊聚現場，分享人工智能的平臺工具、算法模型、語音視覺等技術內容，探討人工智能如何賦予行業新的活力。兩天會議涵蓋通用技術、應用領域、行業賦能三大章節，開設13大技術專場，如機器學習、數據處理、AI平臺與工具、推薦搜索、業務實踐、優化硬件等，堪稱人工智能技術盛會。

在《文本分析與NLP》分論壇，宜信技術研發中心數據科學家井玉欣、新浪微博研發中心機器學習研發部NLP負責人胥望軍、貝殼找房資深算法專家陳開江和知乎AI團隊技術負責人黃波，四位專家圍繞文本分析與自然語言處理技術，就人機對話、問答系統等在企業中的應用展開論述。

NLP技術在宜信業務中的技術實踐

自然語言數據作為重要的溝通形式以及信息載體，廣泛存在于企業日常業務的各個環節之中，合理的NLP技術可以克服自然語言非形式化、不確定性等問題，發掘并捕獲其中蘊含的有價值信息，進而用于業務咨詢、決策支持、精準營銷等方面，是企業重要的AI能力之一。

宜信技術研發中心數據科學家井玉欣在《NLP技術在宜信業務中的技術實踐》的演講中，圍繞基于機器學習的NLP技術在宜信內部各業務領域的應用實踐展開，分享了相關的實踐經驗，包括智能機器人在業務支持、客戶服務中的探索，基于文本語義分析的用戶畫像構建，以及NLP算法服務平臺化實施思路等。

宜信于2006年在北京成立，是一家從事普惠金融以及財富管理的金融科技企業，目前AI技術已廣泛應用于宜信的各大產品線，這些AI產品背后都有自然語言處理技術的縮影。例如，在智能交易中有很多投研方面的報告，需要報告理解方面的NLP技術。

自然語言數據存在數據非結構化、語言歧義性、語法不規則、未知語言現象四大缺陷，但也有數據量豐富、信息表述多樣性、信息完整性、符合用戶習慣四大優點。結合宜信自身的金融數據也有四大特點：詞匯專業性強、數據來源廣泛、數據形式多樣、數據量大但不均衡。

宜信技術研發中心數據科學家井玉欣

由于結構化數據可被挖掘的潛力有限，企業業務越來越關注那些大量的非結構化數據蘊含的高價值信息，如客戶信息、產品數據、輿論傾向和策略反饋等。此外，自然語言理解和自然語言生成給人們帶來了一種新的會話交互方式，且更加自然、高效，更吸引人，也更符合用戶的習慣，這也是NLP技術被廣泛應用于各個領域的重要原因。自然語言的特點決定了NLP技術的必要性，NLP承擔了各業務領域內自然語言數據的分類、提取、轉換、生成任務，是業務領域內重要、基礎的技術服務之一。

現代企業對智能聊天機器人有著非常廣泛的業務需求。以信貸業務咨詢機器人為例，業務的核心是基于檢索的問答模型，核心問題是文本語義的相似度問題，涉及語義相似度函數和文本表征函數。對于用戶的問題，要在數據庫中找出最相似的答案反饋給用戶，可以通過構建Dual LSTM神經網絡或是拆分成子問題這兩種方法來解決。隨后，井玉欣介紹了DSSM模型與遷移學習，QA匹配模型、基于NN的匹配模型、知識庫檢索，模糊 Query 造成的精度下降的解決辦法，以及基于文本語義分析的用戶畫像構建思路等。

自然語言處理在新浪微博中的應用

微博作為國內超大的社交媒體平臺，用戶每天更新的微博內容達上億條。由于微博內容的文本短且表達形式豐富，為內容理解帶來了較大難度。新浪微博研發中心機器學習研發部NLP負責人胥望軍在主題為《自然語言處理（NLP）在微博中的應用》的分享中，介紹了微博內容理解的場景、難點、解決思路和算法，以及在微博興趣推薦場景下的應用。

微博的推薦場景包括內容推薦和用戶推薦兩大類，有基于關注關系推薦內容的關注流、基于興趣推薦內容的熱門流、按頻道領域推薦內容的頻道流，以及基于用戶興趣和關注關系的個性化推送等等。微博的內容推薦框架由物料庫、召回（常規/實時）、粗排序、精排序、業務策略及展示、行為收集，以及離線訓練模型、常規模型和實時模型等構成。

新浪微博研發中心機器學習研發部NLP負責人胥望軍

微博構建了全領域的知識圖譜和標簽體系，其中一級標簽覆蓋五十余個領域，二級標簽一千余個，三級標簽高達一千余萬個，標簽體系的建立在推薦場景中發揮著重要作用。微博內容通過標簽分類解決內容的可解釋性，通過主題模型解決內容的匹配問題。此外，新浪微博基于內容理解構建了用戶畫像，包括用戶的興趣偏好，性別、年齡等自然屬性，以及職業、公司、學歷等社會屬性。

隨后，胥望軍主要介紹了BERT（Bidirectional Encoder Representations from Transformers）和多模態融合兩種算法，BERT用于結合語義本身的信息，表達時間維度；多模態融合用于結合微博富媒體內容信息進行分類，表達空間維度。此外，新浪微博在短文本分類方面也進行了較多嘗試，從最初的樸素貝葉斯到深度模型，不斷進行對比、更新，進行模型演進。

BERT模型幾乎能應用于所有的NLP任務。BERT預訓練最關鍵的兩點：一是特征抽取器采用Transformer；第二點是預訓練時采用雙向語言模型。Transformer特征提取器的效果高，能進行分布式處理，采用self attention機制能夠捕獲遠距離特征信息。

微博具有豐富的表達方式，如文字、圖片、視頻、語音，甚至是用戶互動等，都是用來理解內容的各種模態。因此，除了在純文本方面嘗試前沿的算法，新浪微博也在內容的多模態方面進行嘗試，例如文本和圖片的雙端attention融合方式等。

對話系統在房產行業的應用

對話系統是NLP領域常見的技術方向，也是未完全解決的技術難點。近年來，深度學習的興盛把對話系統帶到了一個新高度。貝殼找房作為行業超大規模的居住服務平臺，一直在對話系統方面進行長期的探索嘗試。常規的對話系統試圖取代傳統的人工服務，而貝殼找房的對話系統有自己的創新，人工智能和人工知識可以共同學習演化，借助深度學習和傳統NLP技術為行業賦能。貝殼找房資深算法專家陳開江分享了貝殼找房在語義理解、對話系統、語音助手和VR看房協同工作方面的相關技術和產品實踐。

貝殼找房資深算法專家陳開江

對話系統的難點包含五個方面：一是很難用單一模型解決問題；二是很難獲得高質量、低成本的大量標注數據；三是很多人人皆知的常識需要機器去理解；四是對話系統的溝通很難進行量化、標準的評測；五是對話系統很難通用，一個行業、一個場景做到很好的效果，也很難復制到其他行業或場景中直接使用。

貝殼找房作為居住服務平臺，在對話系統上有著長期的探索嘗試。貝殼找房利用深度學習和傳統NLP技術，為眾多經紀人賦能，使其作業效率提升3到5倍。房產行業都是高額消費，如果直接人機對話很難建立信任，因此貝殼找房通過用戶端的貝殼APP與經紀人端的Link APP進行直接對話，對話系統在對話過程中是一個潛在角色，系統將對話發送給經紀人，經紀人可以對文本進行修飾，也可直接發送給用戶。

貝殼找房的對話系統在技術上分為三個階段：一階段不斷獲取對話數據，第二階段是MVP（Model-View-Presenter ），第三階段是反復迭代。從對話數據中得到初級知識，首先進行數據的預處理，抽取出Q&A問答的對話體系，對話體系包括流程、意圖和槽位（類似函數的參數）三大要素。隨后，陳開江重點介紹了單意圖單輪會話和多意圖多輪對話的主要流程、算法和實驗結果等。他透露，目前貝殼找房正在將一些科技元素融入房產行業，例如通過4D看房，提升了經紀人和用戶的看房效率，通過AI平臺將貝殼的能力開放給內部，服務更多場景，通過行業數倉加房產知識圖譜的建設形成行業全景圖，助力4D看房及AI平臺的建設。

知乎：應用AI打造智能社區

作為國內知名知識分享平臺，知乎已擁有 2 億注冊用戶，回答數超過 1 億，目前 AI 已經全面參與知乎的各個環節，大幅提升了社區的運營效率。知乎AI團隊技術負責人黃波帶來了《知乎AI技術及應用》的精彩演講，分享了知乎在知識圖譜、內容理解、用戶分析方面的具體技術及相關應用。

知識圖譜分兩步；一是知識圖譜的構建，包括將結構化與半結構的知識融合，通過數據挖掘知識之間的關系，進行知識表示與建模；第二步是知識圖譜的應用，包括語義搜索和推薦，問答和對話系統，大數據分析與決策三部分。

知乎AI團隊技術負責人黃波

知識圖譜的構建與具體業務場景強相關，目前，知乎構建了以話題、實體為核心的百萬級節點，構建了話題相關性圖譜、話題上下位圖譜、話題與實體的關系圖譜等。從長遠來看，知乎會將用戶作為知識圖譜的一個節點，和話題、實體等語義節點建立連接關系。

知識圖譜的知識表示分為離散表示和連續表示兩種。離散表示的優點是可解釋性強，表示能力強，能處理復雜知識結構，缺點是稀疏、擴展性差；連續表示的優點是低維稠密、模型友好，缺點是可解釋性差，表示能力弱，復雜知識結構支持較差。因此，在選擇知識表示方法時需要根據各自優缺點進行慎重選擇。

目前，知乎內容平臺有25 萬個話題，2700 萬個問題，1.2 億個回答。知乎內容分析包括語義標簽、質量標簽和時效標簽三類。

多種粒度語義標簽要求：

• 一二級領域：粒度粗，盡量完備正交的分類體系，保證任一問題或文章能分到某個類別；
• 話題：高準確度，同一個問題或文章可打上多個話題；
• 實體/關鍵詞：高準確度，優先保證熱門實體/關鍵詞被召回；
• 語義聚類：語義類簇粒度均，源于數據。

話題匹配方面，由于端到端深度學習模型的效果較差，因此知乎采用基于召回+排序的多策略融合，準確率高達93%，召回率達83%。其中，召回策略包括AC多模匹配、基于點互信息（PMI）兩趟對齊算法和基于知識圖譜三種召回方式。多策略融合排序模型，分別為基于深度學習模型的語義相似度得分，與候選話題集合的相似度得分，基于話題圖譜的權重得分，和基于規則的權重得分四種。

在用戶分析方面，分為用戶基礎畫像，用戶興趣畫像，和用戶社交表示與挖掘三類。其中，用戶表示與聚類使用用戶搜索內容、關注、收藏、點贊、閱讀的回答、文章等對應的話題，作為用戶的特征，整理成 one-hot 的向量；使用變分自編碼器（Variational Auto-Encoder，VAE） 重建用戶話題向量，將 encoder 層輸出映射為概率分布，并作為用戶的 Embedding 表示。

以上內容是51CTO記者根據WOT2018全球人工智能技術峰會的《文本分析與NLP》分論壇演講內容整理，更多關于WOT的內容請關注51cto.com。

【51CTO原創稿件，合作站點轉載請注明原文作者和出處為51CTO.com】