一、行業搜索的背景

1、達摩院自然語言智能大圖

上圖是達摩院自然語言處理智能的技術框圖，從下到上包含：

• NLP 數據、NLP 基礎的詞法、句法語義，分析的技術，以及上層 NLP 技術
• 行業應用：達摩院除了做基礎研究之外，還賦能阿里集團，以及結合阿里云去賦能行業產業。賦能的很多行業場景都是搜索。

2、行業搜索本質

面向產業和消費互聯網的搜索本質都是一樣的：用戶有信息獲取需求，同時有信息資源庫，通過搜索引擎把兩者橋接起來。

以電商場景來舉例說明。比如用戶在電商里面搜索 aj1 北卡藍新款球鞋。為了更好地理解這樣一個用戶的 query，需要進行一系列任務：

• 查詢理解的分析：NLP 糾錯、分詞類目預測、實體識別詞權重、 query 改寫等技術
• （離線）文檔分析：NLP分析，質量效率的分析
• 檢索排序：通過對 query 的分析以及文檔的分析，來結合搜索引擎本身一些檢索排序的機制，就能實現把兩者橋接的目標。

3、行業搜索鏈路

如果按搜索的范式來分，一般分為 sparse retrieval 及 dense retrieval。

• sparse retrieval：傳統的基于字或基于詞去建立倒排索引，同時基于此去構建很多查詢理解的一系列的能力，包括一些文本相關性排序等；
• dense retrieval：隨著預訓練語言模型的興起，基于預訓練底座來實現單塔、雙塔模型，再結合向量引擎建立搜索機制。

一般將搜索做這樣一個鏈路性的劃分：召回、排序（粗排、精排、重排）。

召回階段：

• 傳統 sparse retrieval 的關鍵詞召回
• dense retrieval 向量召回，個性化召回
• 粗排階段：使用文本相關性（靜態）分數來做過濾
• 精排階段：相對復雜，會有相關性的模型，可能結合業務的效率模型（LTR）

從左到右，模型復雜度、效果精度變高。從右到左，處理 Doc 數變多。以淘寶電商為例，比如召回（幾十億），初排（幾十萬），到精排（幾百、上千），到重排（幾十）量級。

搜索生產鏈路是檢索效果跟工程效率 trade-off 的系統。隨著算力的增長，復雜模型開始往前置換。比如說精排的模型，現在慢慢會下沉到粗排、甚至召回這個階段。

搜索效果評估：

• 召回：recall 或無結果率
• 排序：相關性、轉化效率（貼近業務）
• 相關性：NDCG、MRR
• 轉化效率：點擊率、轉化率

4、消費互聯網和產業互聯網的搜索

搜索在不同行業場景里區別是很大的，在此把它分為消費互聯網搜索與產業互聯網搜索：

• 用戶群體和 UV：消費互聯網搜索 UV 非常大，產業互聯網面向政企內部的員工。
• 搜索追求指標：消費互聯網，除了追求搜得到、搜得準之外，還追求轉化率高。在產業互聯網，它更多是信息匹配的需求，所以關注召回跟相關性。
• 工程系統要求：消費互聯網 QPS 的要求會很高，沉淀大量的用戶行為，需要有實時日志分析、實時模型訓練。產業互聯網的要求會低一些。
• 算法方向：消費互聯網會從 offline、nearline、online 的海量用戶行為分析建模獲得更大收益。產業互聯網的用戶行為稀疏，所以會更注重內容理解，比如 NLP 或者視覺的理解，研究方向包括 low resource、transfer learning。

二、相關技術研究

搜索是跟系統框架緊密耦合的：包括離線數據，搜索服務框架（綠色部分），搜索技術算法體系（藍色部分），其底座是 Alicemind 預訓練語言模型體系，同樣會匯聚做文檔分析、query 理解、相關性等。

1、AliceMind 體系

AliceMind 是達摩院構建的層次化預訓練語言模型體系。包含了通用預訓練模型，多語言、多模態、對話等，是 NLP 所有任務的底座。

2、分詞

搜索的分詞（原子能力），決定了檢索索引粒度，同時也與后續相關性、BM25 粒度有關。針對 task specific 任務，如果去定制一些預訓練，能比通用的預訓練效果更好。比如最近研究希望在原生 BERT 預訓練任務上增加無監督的統計信息的任務，比如統計字詞、Gram 粒度、或者邊界熵，然后以 mse-loss 增加到預訓練。在 CWS/POS、NER上（右圖），的諸多任務都達到 SOTA。

另一個研究是跨領域。每次需要標數據、構建監督任務的成本很高，所以需構建跨領域無監督分詞的機制。右下角的表格為例，電商分詞相比開源的分詞質量有明顯改善，這套方法也發布到 ACL2020。

3、命名實體識別

搜索命名實體識別主要是對 query 、Doc 進行結構化的理解，識別出關鍵短語及類型。同時搜索知識圖譜的構建也依賴 NER 功能。

搜索 NER 也面臨一些挑戰。主要是比如 query 常常是比較短的，上下文不足。比如說電商里面 query 實體的歧義性很高，知識性很強。所以這幾年在 NER 核心的優化思路，就是通過上下文或者引入知識的方式來增強 NER 的表征。

在 2020年、2021年做了隱式增強的工作 combo embedding。把已有 word extractor 或者 GLUE 的表征動態融合，能搭載在很多業務任務上面達到 SOTA。

2021年，研發基于顯式的檢索增強，對一條文本會通過搜索引擎得到增強的上下文，融合到 transformer結構。這個工作發表在 ACL 2021 上了。

基于這個工作，我們參加了 SemEval 2022 多語言 NER評測拿了 10 項冠軍，以及 best system paper 。

檢索增強：輸入句子本身之外，檢索得到額外 context 并 concat 到輸入，結合 KL 的 loss 來幫助學習。在很多開源數據集拿到 SOTA。

4、自適應多任務訓練

BERT 本身效果是很好的，但實際生產很少有 GPU 集群，每個任務都要去做 inference性能代價很大。我們思考能否只做一次 inference，在 encoder 之后每個任務自己再做適配，就能得到比較好的效果。

一個直觀的方法就是通過 meta-task 的框架納入 NLP query 分析任務。但傳統的 meta-task 是均勻采樣的分布。我們提出了 MOMETAS，一個自適應基于元學習的方法，來自適應不同任務的采樣。在多個任務去學習的過程中，我們會階段性用 validation data 做測試看不同任務學習的效果。reward 反過來指導前面訓練的采樣。（下方表格）在很多任務上結合這個機制，相比 UB（均勻分布）有不少提升。

把上述機制應用在搜索很多行業的場景里去，帶來的收益是僅通過一次 BERT 的編碼并存儲，在很多的下游任務直接復用，能大幅提升性能。

5、搜索召回預訓練語言模型

深度檢索，無外乎是雙塔或單塔，通用的訓練范式是有監督信號以及預訓練模型，進行 finetune 獲得 embedding，對 query 和 doc 進行表征。近期的優化路線主要是數據增強或難樣本挖掘，另外是優化預訓練語言模型。原生 BERT 不是特別適合搜索的文本表示，所以有針對搜索文本表示的預訓練語言模型。其他優化是在于做 multi-view 文本表示，以及特別的 loss 設計。

相比原生 BERT 的隨機采樣，我們結合搜索詞權重提升詞權重比較高的詞來提升采樣概率，學習到的表征更適合搜索召回。除此之外，增加 sentence level 對比學習。結合這兩個機制，提出了 ROM 的預訓練語言模型。

在 MS MARCO 做實驗，對比先前做法能夠達到最好的效果。在實際的場景搜索任務中，也能帶來較大的提升。同時該模型也參與了 MS 刷榜。

6、HLATR 重排模型

除了 ROM 這個召回階段之外，在精排、重排階段，提出了一套 list aware 的 Transformer reranking，即將精排很多分類器的結果通過 Transformer 有機的融合在一起，有比較大的提升。

結合 ROM 和 HLATR 兩個方案，3 月份至今（7 月份）仍舊是 SOTA 結果。

三、行業搜索應用

1、地址分析產品

達摩院研發的地址分析產品，背景是各行各業有很多通訊地址。中文的通訊地址有很多特點，比如口語化表達有很多缺省。同時地址本身是人事實物，是客觀世界很多實體橋接的一個重要實體單位。所以基于此建立了一套地址知識圖譜，提供解析、補齊、搜索、地址分析。

這是產品的技術框圖。從下到上包含了地址知識圖譜的構建，以及地址預訓練語言模型，包括基于搜索引擎的框架串接整個鏈路。上述提到的基準能力，以 API 的方式提供出來包裝成行業方案。

這套技術里面比較重要的一個點是地理語義的預訓練語言模型。一個地址在文本表示會是字符串，其實在空間里面它往往是表征成經緯度，在地圖中還有對應的圖片。所以這三種模態的信息是把它有機融合成一個多模態的地理語義的語言模型，以此來支持在定址里的任務。

上述提到需要做地址相關的很多基礎能力，比如分詞、糾錯、結構化等分析。

最核心的鏈路是將地理預訓練語言模型、地址基礎任務、引發搜索引擎的方式將它們橋接起來。比如說搜索浙一醫院，可能會對它去做結構化、同義詞糾錯、term weighting 做向量化、Geohash 的預測。基于分析結果做召回。這個鏈路是標準的搜索鏈路，進行文本召回、拼音召回、向量召回，還增加地理召回。召回之后是多階段的排序，包括多粒度的 feature 融合。

地址搜索體系直觀的應用，就是填地址后 suggestion 場景，或者高德地圖里面去做搜索，需要把它映射到空間一個點位上。

接下來介紹兩個比較行業化的應用方案。第一個是新零售 Family ID，核心訴求是維護一套客戶的管理系統，然而各個系統用戶信息沒有打通，無法實現有效的整合。

比如品牌廠商賣了一個空調，家人由于購買、安裝、維修而登記了各種地址、手機號，但對應的實際上是同一個地址。建立的地址搜索歸一技術，把不同表示的地址進行歸一，生成指紋，將不同用戶 ID 聚合到 Family 概念中。

通過家庭聚合的概念，可以做到更好的滲透分析、廣告投放觸達等新零售下的營銷活動。

另外一種應用場景，是 119、129、應急等智能接警應用。因為涉及到老百姓的人身財產安全，所以分秒必爭。希望結合語音識別、文本語義理解技術把這個效率提升。

（左邊例子）場景有很多特點，比如 ASR 轉寫的錯別字、不流暢、口語化等問題。目標是希望基于自動語音轉寫分析推斷報警地點。

我們提出了一整套系統方案，包括對話理解的口語順滑糾錯、意圖識別，以及結合一套搜索從召回粗排精排的機制來最終實現地址推薦。鏈路已經比較成熟，在中國上百個城市的消防系統落地；消防從報警對話識別出具體的地點，結合推薦、匹配、地址圍欄判斷具體地點，對應出警。

2、教育拍照搜題

接下來介紹教育行業的拍照收集業務，在 To C、面向老師端也有不少需求。

拍照搜題有幾個特點，本身有增量更新的題庫，用戶群體較大。另外，不同學科、年齡段對應的領域知識性很強。同時是一個多模態的算法，從 OCR 到后續語義理解、搜索等一套鏈路。

近幾年針對拍照收集構建了一整套從算法到系統的鏈路。

比如，在手機拍照以及 OCR 識別后，會進行拼寫糾錯、學科預測、分詞、詞權重等一系列工作，幫助做到檢索。

由于 OCR 對英文識別沒有空格，訓練了一套 K12 英文的預訓練算法模型，進行英文的切分。

同時，學科、題目類型都是未知的，需要做一個提前預測。使用多模態，結合圖片和文本進行意圖理解。

拍照搜題跟普通的用戶搜索不太一樣，用戶搜索往往 query 是比較短，拍照搜題往往是一道完整的題目。題目里面很多詞是不重要的，需要做詞權重分析，丟棄不重要的詞或者排序予以降權。

在拍照搜題場景中優化效果最明顯的是向量召回。性能上的要求不太能用 OR 的召回機制，需要用 AND 邏輯，對應特點是召回比較少。去提升 recall 的話，需要做 term weighting、糾錯等較冗余的模塊。（右圖）通過文本加向量的多路召回效果，超過純 or 邏輯，在 latency 降低 10 倍。

拍照搜索的鏈路包括了圖像向量召回、公式召回、個性化召回。

提供兩個例子。第一個是純文本的 OCR 結果，（左列）舊結果是基于 ES，簡單的 OR 召回，加上 BM25 的結果，（右列）經過多路召回以及相關性召回的鏈路有較大提升。

第二個是拍照含有圖形，多路中是必須結合圖片召回。

3、電力知識庫統一搜索

在企業搜索中有很多半結構化和非結構化數據，提供統一搜索，幫助企業整合數據資源。不僅在電力，其他行業也有類似需求。這里的搜索不再是狹義的搜索，還包含了對文檔的預處理文檔的AI和知識圖譜的構建，還包括后續橋接問答的能力。以上是在電力知識庫里，去做一套制度標準文本，從結構化到檢索，到應用端的示意圖。