语义匹配应用介绍_统一语义匹配

语义匹配

工业界的很多应用都有在语义上衡量本文相似度的需求，我们将这类需求统称为“语义匹配”。根据文本长度的不同，语义匹配可以细分为三类：短文本-短文本语义匹配，短文本-长文本语义匹配和长文本-长文本语义匹配。基于主题模型的语义匹配通常作为经典文本匹配技术的补充，而不是取代传统的文本匹配技术。

短文本-短文本语义匹配

短文本-短文本的语义匹配在工业界的应用场景非常广泛。例如，在网页搜索中，我们需要度量用户查询 (query) 和网页标题 (web page title) 的语义相关性；在query推荐中，我们需要度量query和其他query之间的相似度。这些场景都会用到短文本-短文本的语义匹配。 由于主题模型在短文本上的效果不太理想，在短文本-短文本匹配任务中词向量的应用比主题模型更为普遍。简单的任务可以使用Word2Vec这种浅层的神经网络模型训练出来的词向量。

比如，query推荐任务中，我们经常要计算两个query的相似度，例如=“推荐好看的电影”与=“2016年好看的电影”。 通过词向量按位累加的方式，得到这两个query的向量表示之后，可以利用Cosine Similarity来计算两者的相似度。对于较难的短文本-短文本语义匹配任务，则可以考虑引入有监督信号并利用 Deep Structured Semantic Model(DSSM)[5] 或 Convolutional Latent Semantic Model(CLSM)[9] 这些更复杂的神经网络模型进行语义相关性的计算。

短文本-长文本语义匹配

短文本-长文本语义匹配的应用场景在工业界非常普遍。例如，在搜索引擎中，我们需要计算一个用户查询（query）和一个网页正文（content）的语义相关度。由于query通常较短，而网页content较长，因此query与content的匹配与上文提到的短文本-短文本不同，通常需要使用短文本-长文本语义匹配，以得到更好的匹配效果。在计算相似度的时候，我们规避对短文本直接进行主题映射，而是根据长文本的主题分布，计算该分布生成短文本的概率，作为它们之间的相似度：

其中表示query， 表示content， 表示中的词， 表示第k个主题。

案例1：用户查询-广告页面相似度

在线广告场景中，我们需要计算用户查询和广告页面的语义相似度。这时可应用SentenceLDA，将广告页面中各个域的文本视为句子，如图3所示（红框内容为句子）。我们首先通过主题模型学习得到广告的主题分布，再使用公式 (1) 计算用户查询和广告页面的语义相似度。该相似度可以作为一维特征，应用在更复杂的排序模型中。在图4中，对于query=“婚庆拍摄”，我们对比了不同特征组合的结果。其中左图为Baseline，右图则是引入SentenceLDA相似度（基于SentenceLDA计算query与广告页面的相似度）后得到的结果。可以看出，相比于Baseline，引入新特征后召回的结果更加符合query语义，能更好的满足用户需求。

案例2: 文档关键词抽取

在分析文档时，我们往往会抽取一些文档的关键词做标签（tag），这些tag在用户画像和推荐任务中扮演着重要角色。从文档中抽取关键词，常用的方法是利用词的TF和IDF信息，此外，还可利用主题模型，估计一个文档产生单词的概率作为该单词的重要度指标：

其中，表示文档内容， 表示词， 表示第主题。 但由于常被高频词主导，导致一些语义上重要的低频词难以被选为关键词。 为了解决上述问题，我们利用TWE训练得到主题和单词的向量表示，再使用公式(3)计算每个词与文档主题的相似度作为衡量语义重要度的指标。

其中，表示?对应的词向量，表示主题对应的主题向量，并且词向量和主题向量在处于同一个向量空间中。下面一段文字是我们随机从网上取的一个新闻片段，对其进行分词处理以及应用主题模型 LDA 或 TWE 后，然后分别选取公式(2)或公式(3)计算每个词的重要度。在表5中，我们列出了 LDA 和 TWE 模型计算得到的Top-10关键词集合 (已去除停用词)。从表中可以看出，采用 TWE 得到的 Top-10 关键词 能更好地体现出新闻的重要信息。

台湾《自由时报》4 月 13 日综合外媒报道称，全美发起拒搭联航运动，并在社群网站上 发酵。居住在美国纽约的网友许柏祥表示，本身是联合航空会员，在得知联航将乘客拖下飞 机后，就向航空公司取消下个月的预订班机，并称“我不想被人打!”许柏祥说,他完全不能 接受航空公司的处理方式,而且是对待一名 69 岁的老人。报道称，联航会员“剪卡”风潮也 席卷社群网路，许多网友将自己的联航会员卡剪掉抵制。网友萨赫哈(Aninda Sadhukhan)表 示，身为联航多年的乘客，在看到影片后,让他决定不再搭联航，并将会员卡放入碎卡机内。 另一名会员布朗(Phyllis Brown)表示,呼吁民众剪掉联航会员卡，并改搭其他航空公司班机，以此抗议联航暴力对待乘客。

长文本-长文本语义匹配

通过使用主题模型，我们可以得到两个长文本的主题分布，再通过计算两个多项分布的距离来衡量它们之间的相似度。衡量多项分布的距离可以利用Hellinger Distance和Jensen-Shannon Divergence (JSD)。

案例3: 新闻个性化推荐

长文本-长文本的语义匹配可用于个性化推荐的任务中。在互联网应用中，当我们积累了用户大量的行为信息后，这些行为信息对应的文本内容可以组合成一篇抽象的“文档”，对该“文档”进行主题映射后获得的主题分布可以作为用户画像。例如，在新闻个性化推荐中，我们可以将用户近期阅读的新闻（或新闻标题）合并成一篇长“文档”，并将该“文档” 的主题分布作为表达用户阅读兴趣的用户画像。如图5所示，通过计算每篇实时新闻的主题分布与用户画像之间的Hellinger Distance，可作为向用户推送新闻的选择依据，达到新闻个性化推荐的效果。

案例4: 小说个性化推荐

小说推荐任务是根据用户的偏好进行小说推荐，具体场景如图6(a)所示。最常见的推荐算法技术为协同过滤，其中矩阵分解是协同过滤算法中常用的技术之一，主要的思想是从评分矩阵（用户对物品的评价等）中分解出用户-特性矩阵，特性-物品矩阵，从而得到用户的偏好和物品的特性，用以预测用户对未接触过的物品的打分情况。 基于特征的矩阵分解(SVDFeature)[3]，是一个灵活的推荐框架，允许向模型中增加一些全局特征、用户特征以及物品特征，使得模型在推荐上可以取得更好的效果。考虑到每个用户有一些收藏或者下载的小说，我们可以将这些小说对应的主题分布进行聚合，从而得到用户的主题表示，作为描述用户阅读兴趣的用户画像。通过计算每篇小说的主题分布与用户画像之间的JSD距离，可以用来衡量用户对该小说的感兴趣程度。我们将JSD评分作为全局特征加入到SVDFeature中参与训练，对小说进行排序后推荐给用户。对比传统的SVDFeature打分与结合了主题模型策略的SVDFeature打分，后者在线下指标上均超过前者，如图6(b)所示。

案例5：垂类新闻CTR预估

新闻推荐服务涉及多个垂类新闻方向，如体育、汽车、娱乐等。在这些方向上，我们往往需要做更精细的个性化推荐。为了实现这个目的，我们需要在垂类新闻数据的基础上，训练针对该垂类的主题模型。对于某个用户而言，我们把该用户历史上点击的新闻拼接成一篇文档，基于垂类主题模型做主题推断，获得文档的主题分布作为该用户的画像。垂类新闻的CTR预估模型利用的特征可以分为三类：新闻-用户相似度特征(语义匹配范式)，新闻主题特征(语义表示范式)和其他常规的统计特征。新闻-用户相似度特征指的是利用长文本-长文本语义匹配的方式计算的新闻和用户画像的相似度。新闻主题特征是该新闻的主题分布。常规的统计特征包括时间，新闻源，点击率等等。在工业界应用中，用户模型数据空间较大，会存在垂类主题分布的压缩需求，可以考虑根据CTR预估模型的权重进行删减和重训。上述方案在垂类新闻推荐上取得了很好的效果提升。

https://github.com/baidu/Familia/wiki/%E8%AF%AD%E4%B9%89%E5%8C%B9%E9%85%8D%E5%BA%94%E7%94%A8%E4%BB%8B%E7%BB%8D