回顾·音乐垂域的自然语言理解
大数据、算法的交流学习平台 圈内人都在关注
本文根据小米智能云秦斌老师在DataFunTalk人工智能技术沙龙“自然语言处理技术应用实践”中分享的《音乐垂域的自然语言理解》编辑整理而成，在未改变原意的基础上稍做删减。
（秦斌老师在活动现场）
今天分享的内容有项目研究背景、实现了那些功能，在做音乐领域时有哪些独有的问题与挑战，还有就是“小爱”项目具体的实现。
上图是整个小爱语音交互平台的后台服务架构，小米大脑定位的是一个平台，能够处理各种数据。在最外部给各种厂商封装了SDK接口，目的使厂商能够很快的接入，降低你接入成本，如果你要操作小米相关智能设备就要MOIT授权验证。后续会有小米语音服务ASR，语音识别都在客户端，由于平台特性，在云端接入ASR厂商，如微软、百度、科大讯飞、猎狐星空等，部署于云端便于控制和优化，可以额外做一些文本选择等功能。语音转化为文本就会进入NLP模块，在NLP中控部分会做一些个人训练计划、公共训练计划、还有一些query概率，然后将其发布到精品垂域，采用分而治愈的思想，每一个垂域将这个领域的语料、知识、常见说法给建立起来，由中控选择最终的垂域。最外部有一个设备开放平台oivs，方便各种硬件设备厂商接入。后续还有一个技能开放平台，第三方技能开发者能够在平台上很简单的实现一个技能，如打开成语接龙或闲聊，将query转给第三方技能。周边就是机器存储、机器学习平台等资源平台。
接下来介绍下，一个垂域要做那些事情。如飞机票垂域，要理解用户的意图，是要购票还是退票，音乐就是你要找歌手、听歌、还是找一个推荐；在意图理解后抽取Slot（一个个的字段），如时间、出发地、目的地。整体就是将一个纯文本机构化，将相关信息抽取出来，这是做语义理解经常要做的事情。
接下来介绍下音乐领域实现了那些功能，第一个就是用户的个性化推荐，如随便放首歌、歌单等。再往后就是一个搜索意图，比如我要听周杰伦的歌，周杰伦的简单爱，抽取“歌手/歌名/专辑/标签”四类字段(slot)信息。字段消歧，如“三生三世十里挑花的歌”，其实这是一个专辑，同时也有首歌叫三生三世十里桃花，通过用户原始信息知道应该是专辑而不是歌名。ASR不可能完全准确还有用户发音问题，因此需要纠错，纠错太多召回存在问题，一言不合就放歌，把握不好就会觉得你太笨，对“歌手/歌名/专辑/标签”字段的”同音/补全/乱序”纠错。如歌手同名问题，歌词错误，歌名与歌手对应错误等。
还有一些音乐特色功能：（1）音乐意图的上下文继承,对字段信息进行信息补全或指代消解。如我想听刘德华的歌，完了又说要播放他的笨小孩，那就是“刘德华的笨小孩”；（2）用户情感分析。如“我想听岁月神偷不要听金玟岐的”，就是对Artist的一个否定；（3）指定播放顺序；（4）根据歌词内容识别歌曲，如“海草海草”识别到是“海草舞”；（5）收听历史歌曲，需要提出时间信息。
上面介绍音乐要实现的功能，接下来介绍遇到的挑战。首先（1）实体名太过复杂，形式多样，没有固定的组成规则；知识库数量巨大，如QQ音乐是千万级，网易云音乐数百万，阿里系也有数百万。由于歌数量巨大，很多都垄断，要识别这些歌曲需要建立知识库，但是原始数据存在很大的噪音，缺少字段信息，歌名不规范。需要将海量数据爬取下来，判重。（2）用户说法很乱，不符合自然语言，比较简单，没有固定形式，半结构化文本。（3）实体名纠错。由于实体名自身的复杂性和多义性，存在着同音纠错，方言纠错，乱序纠错等多种纠错情况。
知识库很多，实体名很复杂，单纯用词表不能很好地解决这个问题，采用了知识库加搜索的方案。搜索能很容易解决数百万知识库，不存在性能问题，搜素排序算法技术比较成熟，搜索保留了歌的物理信息，如“王菲红豆”就能知道是红豆这首歌，但是如“韩红红豆”就不是歌了。歌来源有爬取的也有合作的，进入知识库后会有一个文本搜素，抽取feature，利用learn to rank排序，通过query确定用户想听那首歌，确定歌名，抽取slot，利用GBDT模型打分。还有User feedback，language model，domain frequency（利用用户行为反馈，改善向量效果）。后面就是个性化的搜索和推荐，如用户的性别、行为，歌一放出来就切换，还有音乐的热度、风格、发行时间等。大致流程会对query做一些前置理解，后续从知识库中找到与之相关的歌，抽取slot，然后进行语义消歧。然后打分，然后利用语言模型判断是否符合常用规则。
数据是核心，资源主要来自资源方、垂直网站还有人工运营平台。获取数据后对数据进行归一化，做相应的映射，打一些标签。还要排重，一家网站一首歌也会存在很多版本，但是我们只需要原始数据忽略版本。后续就进行DB、内容评审、构建索引等，清洗数据会花费大量时间。
音乐NLU整体架构，分为意图抽取、知识库搜索排序、字段抽取、路径选择及打分、线上数据反馈。意图抽取会对query进行预分析，数据预处理，然后中文分词还有推荐意图分类器，还有文法规则，最后找到一些主干query供后续搜索，先理解query语义上的可能的一些倾向性的方向判断，找到主干query供第二部使用。
接下来介绍一下推荐意图分类器，在获取query时，增加了一个二分类判断，判断是否是推荐意图，目的是简化搜索，节省时间，同时为策略判断给出一些特例。具体做法是中文分词后抽取n-gram特征，如单词特征、二元特征、三元特征，最后利用逻辑回归。后续会使用Woed2vec，因为word2vec 能够捕捉更多语法和语义特征。
接下来就是文法规则匹配，自定义了一套文法规则，支持变量的定义、文法的组合、文法替代，目的是对query语义做倾向性判断。还有影视类、标签类的词典，标签文法对标签进行了强分类（强标签、弱标签）。
第二部分局势知识库搜索排序，基于Linden做的搜索。Linden是基于开源的Lucene包，Linden就是将其服务化，集群管理，加入类似SQL语言，便于集群查询。单词搜索主要针对用户说法很乱，如果进行切词可能无法召回，但是出现的问题是召回太多。最后会对初排后结果learn to rank，进行重排。
知识库中有数百万的数据，每周都需要评测更新一半的索引，上线有严格的流程，线上的策略改动、数据改动都要经过评测才能上线，还有人工审核top query。知识库索引设计支持歌手、歌名、歌手别名、专辑和影视类字段的综合搜索，支持单字和拼音两类搜索方式。知识库搜索初排也会支持降权，在搜索时就进行降权。
在初排后进入中间层会利用排序算法进行二次排序，如从top80里面选择一个最相似的文档。正负样本比例失衡，适用于Learn to rank算法，最后选用LamdaMart，采用决策树模型会学习到很多特征组合。模型特征有字段匹配类别、相似度，字段匹配长度，字段纠错类别，文档热度等50多个相关特征。
通过相关特征选择一首歌后，进行字段抽取。涉及资源字段的抽取和纠错，标签字段PK资源字段，如判断青春是歌手还是歌名，上下文字段继承，否定意图等。字段抽取是基于纯规则，有些热门歌曲唱错时也会将其选择出来，如一个歌手没唱过这首歌，但是如果是热门歌曲也会选择出来。
打分是基于意图分类和规则打分，还有基于语言路径的用户选择。由于语言的歧义性可能会选择多条路径，典型二分类问题，缺少其他domain打分信息结合少量必要规则，替代原有规则系统。最终选定GBDT算法，利用各种特征，如职业特征，郭德纲、岳云鹏都唱过歌，但是职业是相声演员，单说歌手就会将其推电台。还有一个优势就是APP搜索日志，小米音乐大都是key-words搜索，如果在日志中找到也是属于音乐特征。
文本搜索有用户点击信息，但是语音很难找用户行为特征信息，尤其命令型语音，得不到用户反馈。但音乐可以获取用户听没听这首歌，听了多久。利用的是全领域知识反馈模型，利用DFTF思想，如“大王叫我来巡山”在音乐领域用的很多，当出现大王，就很容易召回。另外还有完成率，就是用户完成行为反馈模型，用户听了多少歌，首条完成率，即第一首歌听完的概率，还有30秒切歌率等指标。
项目目前存在的问题，音乐过召回严重，音乐slot抽取准确性仍需提高，知识库的准确性和完整性存在不足， 聊音乐，想做电台式音乐，这样显得智能，一首歌结束会引出小爱的评价，引出下一首歌。端到端，利用click model训练端到端模型，知道一些query在历史上选为音乐意图，当一个新query来后与历史query比对，如果词向量相近，直接返回结果，简化操作。
——END