文本匹配主要研究计算两段文本的相似度问题。相似度问题包含两层：一是两段文本如何表示可使得计算机方便处理，这需要研究不同的表示方法效果的区别：二是如何定义相似度来作为优化目标，如语义匹配相似度、点击关系相似度、用户行为相似度等，这和业务场景关系很紧密。
在解决这两个问题过程中会遇到很多难题，其中一个难题就是设计模型如何充分考虑语义。因为中文的多义词、同义词非常普遍，它们在不同的语境中表达的含义是不一样的。比如苹果多少钱一台？苹果多少钱一斤？对于前者，根据“一台”能看出它是指苹果品牌的电子设备，后者则是指水果。当然，还有很多语言现象更加困难，比如语气、语境、口语的不同表述等。
文本的表示和匹配是本节的主线，如何做到语义层面匹配就成为本节的主旨。
受到整体技术的演进影响，文本的匹配技术同样有一个顺应时代的技术历程，如图所示。
1. 向量空间
1970年左右提出的向量空间模型，就是把文档表示词表维度的向量通过TF-IDF计算出词的权重，比如一种标准词表包含词ID、词和IDF，另一种是停用词表，如图3所示。
对文本“丽江的酒店价格”分词去除停用词后，得到丽江、酒店、价格，词出现次数是1，查表IDF得到这句文本的表示：[0, 1.5, 2.1, 0, 0, …, 0, 4.1]。其中权重使用的是TF×IDF，TF是Term在文本里的频次，IDF是逆文档频次，两者定义有很多形式，如图4所示。这里使用第二种定义。
图4 TF和IDF的常用定义
向量空间模型用高维稀疏向量来表示文档，简单明了。对应维度使用TF-IDF计算，从信息论角度包含了词和文档的点互信息熵，以及文档的信息编码长度。文档有了向量表示，那么如何计算相似度？度量的公式有Jaccard、Cosine、Euclidean distance、BM25等，其中BM25是衡量文档匹配相似度非常经典的方法，公式如下：
向量空间模型虽然不能包含同义词、多义词的信息，且维度随着词典增大变得很大，但因为它简单明了，效果不错，目前仍然是各检索系统必备的特征。
2. 矩阵分解
向量空间模型的高维度对语义信息刻画不好，文档集合会表示成高维稀疏大矩阵。1990年左右，有人研究通过矩阵分解的方法，把高维稀疏矩阵分解成两个狭长小矩阵，而这两个低维矩阵包含了语义信息，这个过程即潜在语义分析。
假设有N篇文档，共有V个词，用TF-IDF的向量空间表示一个N×V的稀疏矩阵X，词和文档的语义分析就在这个共现矩阵上操作。这个共现矩阵通过奇异值分解, 能变成三个矩阵，狭长矩阵U的维度是N×K，V的维度是K×V，中间是对角阵K×K维，如图5所示。
经过分解后，每个文档由K维向量表示，（K<<V），代表了潜在语义信息，可以看成是文档需要表达的语义空间表示。V矩阵代表词在潜空间上的分布都是通过共现矩阵分解得到的。
潜在语义分析能对文档或者词做低维度语义表示，在做匹配时其性能较高（比如文档有效词数大于K），它包含语义信息，对于语义相同的一些文档较准确。但是，潜在语义分析对多义词语义的建模不好，并且K维语义向量完全基于数学分解得到，物理含义不明确。因此，在2000年左右，为解决上述问题，主题模型出现了。
3. 主题模型
2000~2015年，以概率图模型为基础的主题模型掀起了一股热潮，那么究竟这种模型有什么吸引大家的优势呢？
pLSA（Probabilistic Latent Semantic Analysis）
pLSA在潜在语义分析之上引入了主题概念。它是一种语义含义，对文档的主题建模不再是矩阵分解，而是概率分布（比如多项式分布），这样就能解决多义词的分布问题，并且主题是有明确含义的。但这种分析的基础仍然是文档和词的共现频率，分析的目标是建立词/文档与这些潜在主题的关系，而这种潜在主题进而成为语义关联的一种桥梁。这种转变过渡可如图6所示。
图6 从词文档共现到引入潜在主题的概率模型
假设每篇文章都由若干主题构成，每个主题的概率是p(z|d)，在给定主题的条件下，每个词都以一定的概率p(w|z)产生。这样，文档和词的共现可以用一种产生式的方式来描述：
其概率图模型如图7所示：
可以通过EM算法把p(z|d)和p(w|z)作为参数来学习，具体算法参考Thomas Hofmann的pLSA论文。需要学习的p(z|d)参数数目是主题数和文档数乘的关系，p(w|z)是词表数乘主题数的关系，参数空间很大，容易过拟合。因而我们引入多项式分布的共轭分布来做贝叶斯建模，即LDA使用的方法。
LDA（Latent Dirichlet Allocation）
如果说pLSA是频度学派代表，那LDA就是贝叶斯学派代表。LDA通过引入Dirichlet分布作为多项式共轭先验，在数学上完整解释了一个文档生成过程，其概率图模型如图8所示。
和pLSA概率图模型不太一样，LDA概率图模型引入了两个随机变量α和β，它们就是控制参数分布的分布，即文档-主题符合多项式分布。这个多项式分布的产生受Dirichlet先验分布控制，可以使用变分期望最大化（Variational EM）和吉布斯采样（Gibbs Sampling）来推导参数，这里不展开叙述。
总体来讲，主题模型引入了“Topic”这个有物理含义的概念，并且模型通过共现信息能学到同义、多义、语义相关等信息。得到的主题概率分布作为表示，变得更加合理有意义。有了文档的表示，在匹配时，我们不仅可以使用之前的度量方式，还可以引入KL等度量分布的公式，这在文本匹配领域应用很多。当然，主题模型会存在一些问题，比如对短文本推断效果不好、训练参数多速度慢、引入随机过程建模避免主题数目人工设定不合理问题等。随着研究进一步发展，这些问题基本都有较好解决，比如针对训练速度慢的问题，从LDA到SparseLDA、AliasLDA, 再到LightLDA、WarpLDA等，采样速度从O(K)降低O(1)到。
4. 深度学习
2013年，Tomas Mikolov发表了Word2Vec相关的论文，提出的两个模型CBOW（Continuous Bag of Words，连续词袋）和Skip-Gram能极快地训练出词嵌入，并且能对词向量加减运算，这得到了广泛关注。在这项工作之前，神经网络模型经历了很长的演进历程。这里先介绍2003年Yoshua Bengio使用神经网络做语言模型的工作，Word2Vec也是众多改进之一。
神经网络语言模型
在2003年，Yoshua Bengio使用神经网络来训练语言模型比N-Gram的效果好很多，网络结构如图9所示。输入是N-Gram的词，预测下一个词。前n个词通过词向量矩阵Matrix C（维度：n*emb_size）查出该词的稠密向量C(w(t-1)),C(w(t-2))；再分别连接到隐含层（Hidden Layer）做非线性变换；再和输出层连接做Softmax预测下一个词的概率；训练时根据最外层误差反向传播以调节网络权重。可以看出，该模型的训练复杂度为O(n×emb_size + n×emb_size×hidden_size + hidden_size×output_size)，其中n为5~10，emb_size为64~1024，hidden_size为64~1023，output_size是词表大小，比如为10^7。因为Softmax在概率归一化时，需要所有词的值，所以复杂度主要体现在最后一层。从此以后，提出了很多优化算法，比如Hierarchical Softmax、噪声对比估计（Noise Contrastive Estimation）等。
Word2Vec
Word2Vec的网络结构有CBOW和Skip-Gram两种，如图10所示。相比NNLM，Word2Vec减少了隐含层，只有投影层。输出层是树状的Softmax，对每个词做哈夫曼编码，预测词时只需要对路径上的0、1编码做预测，从而复杂度从O(V)降低到O(log(V))。
以CBOW为例，算法流程如下：
(1) 上下文词（窗口大小是Win）的词向量对应维相加映射到投影层。
(2) 投影层经Sigmoid变换后预测当前词的编码路径（哈夫曼树）。
(3) 使用交叉熵损失函数（Cross Entropy Loss）反向传播，更新Embedding层参数和中间层参数。
(4) 训练使用反向传播机制，优化方法使用SGD。
图10 Word2Vec模型示意图
从该算法流程可以看出，最外层的预测复杂度大幅降低，隐含层也去掉，这使得计算速度极大提高。该算法可得到词的Dense 的Word Embedding，这是一个非常好的表示，可以用来计算文本的匹配度。但由于该模型的学习目标是预测词发生概率，即语言模型，所以从海量语料中学习到的是词的通用语义信息，无法直接应用于定制业务的匹配场景。能否根据业务场景对语义表示和匹配同时建模，以提升匹配效果呢？DSSM系列工作就充分考虑了表示和匹配。
DSSM系列
这类方法可以把表示和学习融合起来建模，比较有代表性的是微软的相关工作。下面将介绍DSSM系列内容。
(1) DSSM模型框架
DSSM网络结构如图11所示：
使用搜索的点击数据训练语义模型，输入查询Query(Q)和展现点击的Doc(D)列表，先对Q和D做语义表示，再通过Q-DK的Cosine计算相似度，通过Softmax来区分点击与否。其中，语义表示先使用词散列对词表做降维（比如英文字母的Ngram），经过几层全连接和非线性变化后得到128维的Q和D的表示。从实验结论可知，NDCG指标提升还是很明显的，如图12所示。
图12 DSSM和其他模型在Bing搜索数据上效果对比
(2) CLSM
在DSSM基础上，CLSM增加了1维卷积和池化操作来获取句子全局信息，如图13所示。通过引入卷积操作，可以充分考虑窗口内上下文的影响，从而保证词在不同语境下的个性化语义。
图13 CLSM网络结构图
对应效果如图14所示：
图14 CLSM和其他模型在Bing搜索数据上效果对比
(3) LSTM-DSSM
LSTM-DSSM使用LSTM作为Q和D的表示，其他框架和DSSM一致，其网络结构图如图15所示。由于LSTM具备语义记忆功能且蕴含了语序信息，因此更适合作为句子的表示。当然也可以使用双向LSTM以及注意力模型（Attention Model）。
图15 LSTM-DSSM网络结构图
美团的深度学习文本匹配算法
文本的语义匹配作为自然语言处理经典的问题，可以用在搜索、推荐、广告等检索系统的召回、排序中，还可以用在文本的去重、归一、聚类、抽取等场景。语义匹配的常用技术和最新进展前文已经介绍了。
在美团这样典型的O2O应用场景下，结果的呈现除了和用户表达的语言层语义强相关之外，还和用户意图、用户状态强相关。用户意图即用户是来干什么的？比如用户在百度上搜索“关内关外”，其意图可能是想知道关内和关外代表的地理区域范围，“关内”和“关外”被作为两个词进行检索。而在美团上搜索“关内关外”，用户想找的可能是“关内关外”这家饭店，“关内关外”被作为一个词来对待。再说用户状态，一个在北京的用户和一个在武汉的用户，在百度或淘宝上搜索任何一个词条，他们得到的结果不会差太多。但是在美团这样与地理位置强相关的应用下就会完全不一样。比如在武汉搜“黄鹤楼”，用户找的可能是景点门票，而在北京搜索“黄鹤楼”，用户找的很可能是一家饭店。
如何结合语言层信息和用户意图、用户状态来做语义匹配呢？
在短文本外引入部分O2O业务场景相关特征，将其融入到设计的深度学习语义匹配框架中，通过点击/下单数据来指引语义匹配模型的优化方向，最终把训练出的点击相关性模型应用到搜索相关业务中。
针对美团场景设计的点击相似度框架ClickNet，是比较轻量级的模型，兼顾了效果和性能两方面，能很好推广到线上应用，如图16所示。
图16 ClickNet模型
-
表示层。Query和商家名分别用语义和业务特征表示，其中语义特征是核心，通过DNN/CNN/RNN/LSTM/GRU方法得到短文本的整体向量表示。另外会引入业务相关特征，比如用户或商家的相关信息、用户和商家距离、商家评价等。
-
学习层。通过多层全连接和非线性变化后，预测匹配得分，根据得分和标签来调整网络，以学习出Query和商家名的点击匹配关系。
如果ClickNet算法框架上要训练效果很好的语义模型，还需要根据场景做模型调优。首先，我们从训练语料做很多优化，比如考虑样本不均衡、样本重要度等问题。其次，在模型参数调优时考虑不同的优化算法、网络大小层次、超参数的调整等问题。
经过模型训练优化，该语义匹配模型已经在美团平台搜索、广告、酒店、旅游等召回和排序系统中上线，使访购率/收入/点击率等指标有很好的提升。
总结一下，深度学习应用在语义匹配上，需要针对业务场景设计合适的算法框架。此外，深度学习算法虽然减少了特征工程工作，但模型调优的难度会增加。因此可以将框架设计、业务语料处理、模型参数调优三方面综合起来考虑，实现一个效果和性能兼优的模型。
基于深度学习的排序模型
排序模型简介
在搜索、广告、推荐、问答等系统中，由于需要在召回的大量候选集合中选择出有限的几个用于展示，因此排序是很重要的一环。如何设计这个排序规则使得最终业务效果更好呢？这就需要复杂的排序模型。比如美团搜索系统中的排序会考虑用户历史行为、本次查询Query、商家信息等多维度信息，抽取设计出各种特征，通过海量数据的训练得到排序模型。这里只简要回顾排序模型类型和演进，重点介绍深度学习用在排序模型中的情况。
排序模型主要分类三类：Pointwise、Pairwise、Listwise，如图17所示。Pointwise对单样本做分类或者回归，即预测<query, doc="">的得分作为排序准则，比较有代表性的模型有逻辑回归、XGBoost。Pairwise会考虑两两样本之间偏序关系，转化成单分类问题，比如<query, doc1="">比<query, doc2="">高，那这个Pair预测正，反之则负，典型的模型有RankSVM、LambdaMART。第三类就是Listwise模型，排序整体作为优化目标，通过预测分布和真实排序分布的差距来优化模型，典型的模型如ListNet。
图17 排序模型分类
深度学习排序模型的演进
在排序模型的发展中，神经网络很早就被用来做排序模型，比如2005年微软研究院提出的RankNet使用神经网络做Pairwise学习；2012年谷歌介绍了用深度学习做CTR的方法；与此同时，百度开始在凤巢中用深度学习做CTR，于2013年上线。随着深度学习的普及，各大公司和研究机构都在尝试把深度学习应用在排序中，比如谷歌的Wide & Deep、YouTube的DNN推荐模型等，前面介绍的DSSM也可用来排序。下面将对RankNet、Wide & Deep、YouTube的排序模型作简单介绍。
RankNet
RankNet是Pairwise的模型，同样转化为Pointwise来处理。比如一次查询里，Di和Dj有偏序关系，前者比后者更相关，那把两者的特征作为神经网络的输入，经过一层非线性变化后，接入Loss来学习目标。如果Di比Dj更相关，那么预测的概率为下式，其中Si和Sj是对应Doc的得分。
在计算得分时使用神经网络，如图18所示，每样本的输入特征作为第一层，经过非线性变换后得到打分，计算得到Pair的得分后进行反向传播更新参数，这里可以使用Mini-Batch。由于RankNet需要预测的概率公式具有传递性，即Di和Dj的偏序概率可以由Di和Dk以及Dk和Dj得到，因此RankNet把计算复杂度从O(n²)变成了O(n)，具体介绍可参考文献。
图18 RankNet示意图
当然，后续研究发现，RankNet以减少错误Pair为优化目标，对NDCG等指标（关心相关文档所在位置）衡量的效果不是太好，于是后面出现了改进模型，如LambdaRank。RankNet是典型的神经网络排序模型，但当时工业界用得多的还是简单的线性模型，如逻辑回归，线性模型通过大量的人工设计特征来提高效果，模型解释性好性能也高。当人工设计特征到一定程度就遇到了瓶颈，而深度学习能通过原始的特征学习出复杂的关系，很大程度减轻了特征工程的工作。并且GPU、FPGA等高性能辅助处理器变得普及，从而促进了深度神经网络做排序模型的广泛研究。
Wide&Deep
谷歌发表过一篇论文“Wide & Deep Learning”，其观点可以用在推荐里，比如谷歌的Apps推荐利用此观点取得很好的效果，并把模型发布在TensorFlow中。Wide & Deep整体模型结构分为Wide和Deep两部分，这两部分在最外层合并一起来学习模型，如图19所示。输入都是稀疏特征，但特征分为两种：一种适合做Deep的深度网络变化，适合时效性或者记忆性的特征，比如统计特征或者展示位置等；另一种可以直接连在最外层，适合有推广力但需要深度组合抽样的特征，比如品类、类型等。在模型优化时两部分做联合优化，Wide部分使用FTRL，而Deep使用Adagrad算法。这样，Wide和Deep对不同类型特征区分开来，充分发挥各自作用，解释性比较好。
这种思路其实可以做些扩展。比如Wide连接不是在最外层，而是在某一层，Deep的某些层也可以连接到最外层，这样能充分利用不同层抽象的Dense信息。与Wide & Deep的网络连接方式类似，如2003年NNLM和2010年RNNLM模型里的直接连接（Direct Connection），其浅层和深层的结合能很好地加速收敛，深度学习的Highway方式也是类似的。目前Wide & Deep应用较多，比如在阿里巴巴就有比较好的应用。
YouTube DNN排序模型
YouTube用来预测用户观看视频时长，转化为加权的逻辑回归问题。DNN排序模型和前面的工作类似，其网络结构是标准的前馈神经网络，如图20所示。DNN排序模型的特点还是在输入特征上。虽然深度学习模型对特征工程要求很低，但很多数据需要经过简单处理后才可加入模型。图20中的特征分为很多域，比如语言方面、视频方面、用户历史看过的视频ID，还有之前观看时长的统计量和归一化的值。离散值经过Embedding的处理后变成连续向量，再级联起来经过多层非线性变化后来预测最终的标签。
图20 YouTube的DNN排序模型结构
从上面介绍的深度学习相关排序模型可以看出，排序模型所需要的数据类型多种多样，数据的含义也各有不同，不同于图像、语音领域单一的输入形式。因此在做排序模型中，输入特征的选取和表示方式是很重要的，比如连续特征、离散特征处理、用户历史、文档特征的区分等。在美团场景中，设计排序模型需考虑业务特点，对输入特征的表示做很多尝试。
美团的深度学习排序模型尝试
在语义匹配模型中介绍了ClickNet框架，其实该框架同时也可用于排序，与语义匹配的区别主要在表示层，如图21所示。如果ClickNet用作搜索的CTR模型，那表示层的Query和Title的语义特征只是一部分，还有用户查询、用户行为、商家信息以及交叉组合特征都可以作为业务特征，并按特征的类型分不同的域。进一步讲，如果场景不包含语义匹配，模型的输入可以只有业务特征。下面简单讲解在美团用ClickNet做排序模型的尝试。
图21 ClickNet模型框架
ClickNet-v1
ClickNet设计的初衷是它作为文本的匹配模型，并作为一维语义特征加入到业务的Rank模型中以提升效果。但根据上线之后的数据分析，我们发现以语义特征表示为主、辅以部分业务特征的ClickNet在排序系统中有更好的表现。我们针对排序模型做了如下改进。
-
(1) 业务特征选取。从业务方Rank已有的人工特征中，选取O2O有代表性的且没经过高级处理过的特征，比如用户位置、商家位置、用户历史信息、商家评价星级、业务的季节性等。
-
(2) 特征离散化。选取的业务特征做离散化处理，比如按特征区间离散化等。
-
(3) 样本处理。针对业务需要对正负例采样，对点击、下单、付费做不同的加权操作。
-
(4) 信息的融合。通过引入Gate来控制语义特征和各业务特征的融合，而不仅是求和或者级联，通过样本学习出Gate的参数。
针对业务Rank的目标优化ClickNet后，效果有很大改善，但模型还是偏重于语义特征。能否直接使用ClickNet做排序模型呢？答案是可以的。只需要加重业务特征、弱化或者去除语义表示特征就可以，这样修改后的模型就是ClickNet-v2。
ClickNet-v2
ClickNet-v2以业务特征为主，替换业务Rank模型为目标，使用业务特征作为ClickNet的表示层输入，通过对各特征离散化后传入模型。和ClickNet-v1不一样的是，ClickNet-v2业务特征种类繁多，需要做深度的分析和模型设计。
比如如何考虑位置偏好问题？因为展示位置会有前后顺序，后面的展示不容易被用户看到，从而天然点击率会偏低。一种解决思路是可以把位置信息直接连接到最外层，不做特征组合处理。
再比如各业务特征通过多层非线性变化后，特征组合是否充分？一种解决思路是使用多项式非线性变换，这能很好组合多层的特征。
又比如模型组合的效果是否更好？一种解决思路是尝试FM和ClickNet的级联，或者各模型的Bagging。
此外还有模型的解释性等很多和业务场景相关的情况需要考虑。
ClickNet是基于自研的深度学习框架Ginger实现的，收敛速度和效果都非常理想。我们来看看分类任务上的一些测试，如图22所示。在Higgs数据上，基于Ginger的ClickNet比基于XGBoost的AUC提升34个千分点，使用TensorFlow实现的ClickNet比基于Ginger的AUC差3个千分点，且其速度慢于Ginger。如图23所示，ClickNet相比线性模型，其准确率都有较好的提升。
总结
因为深度学习的拟合能力强、对特征工程要求低，它在文本领域已经有很多应用。本章以语义匹配和排序模型为例，分别介绍了业界进展和美团场景的应用。
第一部分介绍了语义匹配经历的向量空间、潜在语义分析、主题模型、深度学习几个阶段，重点介绍了深度学习应用在语义匹配上的Embedding和DSSM系列模型，以及美团尝试的ClickNet模型。第二部分介绍了深度学习在排序模型的一些进展和美团的一些尝试。除了这两部分内容外，深度学习几乎渗透了文本的各方面，美团还有很多尝试方式，比如情感分析、对话系统、摘要生成、关键词生成等，限于篇幅不做介绍。
总之，认知智能还有很长的路需要走，语言文字是人类历史的文化沉淀，涉及语义、逻辑、文化、情感等众多复杂的问题。我们相信，深度学习在文本领域很快会有很大突破。
参考文献： 美团机器学习实践
转载自微信公众号： 小小挖掘机。
