自然語言任務(wù)方案思考：句子相似度和匹配

0 小系列初衷

自己接觸的項目大都是初創(chuàng)，沒開始多久的項目，從0到1的不少，2020年快結(jié)束，感覺這個具有一定個人特色的技術(shù)經(jīng)驗可以在和大家分享一下。

計劃篇章：

（已完成）文本分類篇。針對NLP文本分類任務(wù)。

（已完成）序列標(biāo)注（NER）篇。針對命名實體識別、序列標(biāo)注任務(wù)。

文本匹配篇。針對語義相似度計算、向量匹配等問題。

人工特征學(xué)習(xí)篇。針對多特征的機(jī)器、深度學(xué)習(xí)方案。

開始我把這個標(biāo)題叫做語義匹配，后來感覺還是不能叫這個名字，應(yīng)該把問題放大為句子相似度和匹配問題。

1 語義匹配的場景

語義匹配的核心其實是評價兩個query之間的相似度，可以看看現(xiàn)在常用的場景：

搜索領(lǐng)域，語義向量召回是一個比較新潮的召回方式，靈活性更高，下游的精排部分也可以通過語義相似度來進(jìn)行排序。

智能客服，之前的阿里小蜜的文章也提過，對于長尾的結(jié)果，可以通過向量召回的方式來進(jìn)行處理。

對話領(lǐng)域，可以說是智能客服的眼神，閑聊類的，可以通過語義匹配完成閑聊的回復(fù)，當(dāng)然多輪也有多輪的玩法。

可以看到，各種領(lǐng)域，其實語義匹配的舞臺非常大，了解這方面的方案對NLP技術(shù)棧的了解非常有用。

2 方法選型

2.1 文本層面的相似

最簡單的方法往往就是最淺層的方案，所以還是文本層面的相似，方法逐步升級是這樣的：

編輯距離，這應(yīng)該是最嚴(yán)格的一種相似了。

cqr，分子是句子1和句子2詞匯的交集詞匯量，分母是句子1和句子2的并集詞匯量。

加權(quán)的cqr，可以做一個簡單的詞權(quán)重，然后做加權(quán)的cqr。

BM25。傳統(tǒng)搜索的常用方法。

文本層面的方法，在搜索領(lǐng)域已經(jīng)非常成熟，BM25已經(jīng)具有很高的準(zhǔn)度，結(jié)合上游常用的一些改寫，其實已經(jīng)能夠達(dá)到很好的效果，這也是經(jīng)典搜索最常用的一套范式。

2.2 向量表征作召回

向量召回是當(dāng)前比較流行的一種新的搜索技術(shù)，這里以來兩個關(guān)鍵技術(shù)點，向量索引和句子表征技術(shù)。

向量索引的是指就是一種向量最近鄰的搜索方案，最常用的場景就是KNN，而在我們的場景中，就是把句子表征成一個向量，構(gòu)建索引，新來一個句子，用同樣的放哪個還是構(gòu)建一個向量，就可以完成相似度召回，常用的構(gòu)建索引方式推薦兩種，這兩種都已經(jīng)有開源工具支持。

annoy，一種基于樹的構(gòu)造方法。

hnsw，一種基于圖的構(gòu)造方法，這應(yīng)該是目前我已知速度最快的方法了。

說完了向量索引，就要說向量表征了，只有足夠好的向量表征，上面說的向量召回，召回的東西才會足夠好，為什么我說好呢，就是因為這里涉及的好的維度多：

準(zhǔn)確率足夠高，召回的內(nèi)容真的是和句子足夠接近。

有比較強(qiáng)的泛化能力，這也是語義向量召回相比傳統(tǒng)搜索的相似召回最突出的優(yōu)勢，只要語義足夠接近，“查詢”和“查看”就可能匹配到，“冪冪”和“楊冪”也能打中，這樣能降低我們挖掘數(shù)據(jù)帶來的成本。

好的相似度匹配能識別關(guān)鍵詞，只需要模型端到端處理，不需要單獨抽關(guān)鍵詞。

那么，這個語義表征，一般都是什么方法呢，這里也是提幾個：

word2vector預(yù)訓(xùn)練。如果語料不足甚至沒有語料，我們其實可以用開源的預(yù)訓(xùn)練好的w2v詞向量作為基線，取均值就能拿到句向量。

如果有一些平行樣本，可以開始考慮用一些平行預(yù)料（sentence1,setence2,label）進(jìn)行finetuning，說白了就是兩個向量分別去詞向量后均值，最終用余弦或者歐氏距離計算相似度就行。

數(shù)據(jù)量足夠后，就可以開始在上面搭積木了，CNN、LSTM之類的都可以嘗試，當(dāng)然經(jīng)驗之談，self-attention可以嘗試。

數(shù)據(jù)量再多點，我們就可以上bert之類的大家伙了。

現(xiàn)在的語義相似度，更多是通過優(yōu)化交互特征來提升相似度計算的效果，但是在向量召回這里，由于目前只能支持簡單的相似度召回，兩個query只有在計算相似度的最后一步才能夠見面，因此query之間的交互特征是無法提取的，所以很多現(xiàn)在流行的方法是用不了的。

2.3 語義相似度

如果語義相似度要被用在后續(xù)的精排，無論是搜索、對話甚至是推薦，在經(jīng)歷初篩之后，我們往往有更多時間和經(jīng)歷來比對剩余的結(jié)果和用戶query之間的相似程度，此時我們就可以使用交互特征逐一匹配，完成最后的精排，這些方案往往在大量比賽中就有提到，以DSSM為基，升級很多方案，包括很多人知道的EISM等，當(dāng)然比賽的經(jīng)驗也告訴我們，模型本身還可以加入更多的文本特征來協(xié)助衡量語義相似度，因此在用語義相似度模型的同時，可以加入一些人工特征來協(xié)助優(yōu)化，這也是推薦系統(tǒng)的wide&deep中所提到的深淺層特征均用的思想。

這里給一篇螞蟻金服比賽的文章吧，大家可以根據(jù)這個思路去參考優(yōu)化：https://blog.csdn.net/u014732537/article/details/81038260

3 優(yōu)化手段

當(dāng)然，上面的方式是讓大家用最快的速度去完成一個demo或者說baseline，然后我們需要一系列的手段進(jìn)行優(yōu)化，在這里也給大家介紹一些有用的方案。

如果你的場景里需要一些英文，可以加入一些英文文本去finetuning，開放域的。

針對問答場景，由于用戶的問題都有明顯意圖，因此做一些詞權(quán)重、attention的操作有利于效果提升，包括提槽，當(dāng)然在淺層模型的情況下，詞的歸一化也有好處。

通過傳統(tǒng)的搜索，用ES召回之類而方式，可以召回很多文本接近但是語義遙遠(yuǎn)的case，通過人工標(biāo)注的樣本對效果的提升很有好處。

同樣是hard case挖掘，用自己的語義模型做召回，召回在閾值附近的case，做一下人工的復(fù)核，這樣做樣本也對效果提升有好處，這其實用的是主動學(xué)習(xí)的思想。

4 小結(jié)

做完搜索，后來又開始做向量表征和召回，感覺就很奇妙，能夠理解傳統(tǒng)搜索和相對新潮的向量表征召回之間的關(guān)系，這兩者之間的關(guān)系還是挺微妙地，互相借鑒的過程中能夠產(chǎn)生一些火花，例如向量檢索之前可以召回一些相似的、標(biāo)準(zhǔn)的query然后來檢索，這樣能大幅提升準(zhǔn)確率，也一定程度降低了對模型深度的要求。（隱約感覺是時候?qū)懸黄嘘P(guān)模型和規(guī)則特征之間關(guān)系的文章了？）

責(zé)任編輯：xj

原文標(biāo)題：任務(wù)方案思考：句子相似度和匹配

文章出處：【微信公眾號：深度學(xué)習(xí)自然語言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。