阿里 | 自然语言处理在开放搜索中的应用
阿里云 云栖社区
自然语言智能（NLP）
自然语言智能研究实现人与计算机之间用语言进行有效通信。它是融合语言学、心理学、计算机科学、数学、统计学于一体的科学。它涉及到自然语言和形式化语言的分析、抽取、理解、转换和产生等多个课题。
人工智能可以分为几个阶段
- 计算智能，指依靠计算强大的算力和海量数据的存储能力，可以在部分领域超越人类的表现。代表例子就是谷歌的alphago，凭借谷歌TPU的强大算力以及结合类似蒙特卡洛树搜索、强化学习等算法，能够在围棋的巨大搜索空间中计算出好的决策路径，战胜人类，这是计算智能；
- 感知智能，是指从无结构化数据中识别出重要的要素。比如给一个query，分析出包含的人民、地名、机构名等；
- 认知智能，是在感知之上，能够理解其中要素的含义以及进行一些推理。比如“谢霆锋是谁的儿子 谁是谢霆锋的儿子”两句话。词和实体都差不多，但语义差别很多。这是认知智能要解决的问题；
- 创造智能，比如计算机指能够理解语义的基础上，创造出符合常识、语义、逻辑的句子。比如自动写出行云流水的小说、创造娓娓动听的音乐 能够无违和跟人自然聊天等
自然语言处理研究覆盖了感知智能，认知智能，创造智能这样的学科，是实现完整人工智能的必要技术。
自然语言智能发展趋势
- 深度语言模型突破式发展, 引领重要自然语言技术取得进展；
- 公有云NLP技术服务从通用功能走向定制化服务；
- 自然语言技术逐步与行业/场景紧密结合, 产生更大价值；
阿里集团NLP平台能力
从下到上分为了NLP数据、NLP基础能力、NLP应用技术和上层应用。
NLP数据是很多算法的原料，累了包括语言词典、实体知识词典、句法词典、情感分析等词典等。阿里NLP基础技术包含了词法分析、句法分析、文本分析、深度模型。在这之上，是NLP垂直的技术 包括问答 对话技术 反垃圾 地址解析等。这些技术的组合，就支持了很多应用。其中搜索是NLP能力非常密集的一个应用。
开放搜索中NLP应用和典型技术
（其中橙色背景的表示是跟NLP相关）
- 基础设施包含了阿里云基础产品，以及基于阿里生态搜索场景打磨出的多个搜索自研系统，比如HA3、RTP、Dii等；
- 管控基础平台，保证我们离线数据采集、管理、训练等；
- 算法模块，我们分为两块，一块是查询分析相关，包含多粒度分词、实体识别、纠错改写等；另一个块是相关性和排序相关，包括文本相关性、CTR CVR预估、LTR 等；
开放搜索的目标是要打造一站式、开箱即用的智能搜索服务，所以我们会把这些算法能力，以行业模板、 场景化、周边服务的形式开放给用户。
开放搜索NLP分析链路
搜索的发起，往往是一个搜索关键词触发，比如用户搜索“ aj1北卡兰新款球鞋”
跨领域分词
我们在开放搜索开放了一系列的领域的分词模型
分词挑战
- 各个领域不断新增的未登录词或者叫新词，往往会大大降低分词效果；
- 为新用户定制分词模型，从标注到训练的整个过程，成本都比较高；
解决思路 - 结合统计特征，比如互信息、左右上等构建一个成词模型，可以基于用户数据快速构建一份领域词典；
- 结合源领域分词模型和目标领域的词典，我们基于远程监督技术可以快速构建一个目标领域分词器；
（上图为自动跨领域分词框架）
用户只需要提供给我们一些自己业务的语料数据，我们就可以自动的得到一个定制化的分词模型，这不仅大大提升了效率，同时也更快满足客户的需求。
通过这个技术，我们可以在各个领域获得比开源通用分词，更好的效果。
命名实体识别
命名实体识别（NER），例如从query中提取人名 地名 时间等。
挑战与困难
NER在NLP领域研究非常多同时也面临很多的挑战，尤其在中文上由于缺乏天然分隔符，面临边界歧义、语义歧义、嵌套歧义等困难。
解决思路
- 下图右上角是我们在开放搜索中使用的模型架构图；
- 在开放搜索中，很多用户都积累了大量词典实体库。为了充分利用这些词典，我们提出了一种在bert之上，有机融合知识的graphNer框架。从右下角的表格可以看出，在中文上能取得最好的效果；
拼写纠错
开放搜索分为4个纠错步骤包含了挖掘、训练、评估和在线预测。
主要的模型根据统计翻译模型和神经网络翻译模型两套系统，同时在性能、展示样式和干预上有一套完备方法。
语义匹配
深度语言模型的出现给很多NLP任务带来了跨越式的提升，尤其是在语义匹配等任务上。
达摩院在bert上也提出了很多创新，提出了自研的StructBert。主要创新点在于在深度语言模型训练中，增加了字序/词序的目标函数 和更多样的句子结构预测目标函数，进行多任务学习。但是这样的通用的structbert是无法试用给开放搜索里成千上万个客户，成千上万个领域的。我们需要做领域适配。所以我们提出了语义匹配3阶段范式。可以快速的为客户定制适合于自己业务的语义匹配模型。
（具体的流程如图）
NLP算法产品化
算法模块产品化的系统架构，包含了离线计算、在线引擎以及产品控制台。
图中浅蓝色的部分是NLP在开放搜索上开放的算法相关功能，用户可以直接在控制台体验和使用。
