最終，我們發(fā)現(xiàn)通過“語義點”方案能比關(guān)鍵詞的方案多找出數(shù)倍的不合格、不合規(guī)之處，達到召回率(找的全)、準確率(找的準)均在 80% 以上的效果。

　　上下文語義質(zhì)檢的底層邏輯從底層邏輯

　　上看，基于“關(guān)鍵詞”的方案是字符級別的，并不關(guān)心句子的語義，而基于“語義點”的方案是句子級別的，非常關(guān)心句子上下文的邏輯和語義。兩者并不在同一個維度。可以想見，未來關(guān)鍵詞方案越來越難當大任，而語義點的方案會逐步成為主流。

　　不過，語義點方案也有一個顯著的缺點“部署成本高”。為了訓練一個語義點的質(zhì)檢項，需要人工標注大量句子，然后訓練和調(diào)試算法模型。因此，大家并不會立即就把所有質(zhì)檢項切換到“語義點”方案，而是優(yōu)先把那些最常見的質(zhì)檢項切換到“語義點”方案。

　　總結(jié)循環(huán)智能在教育、金融、互聯(lián)網(wǎng)服務等不同行業(yè)數(shù)十家客戶的服務經(jīng)驗，我們發(fā)現(xiàn)質(zhì)檢項與違規(guī)數(shù)的關(guān)系也存在“二八法則”——20%的質(zhì)檢項貢獻了80%的違規(guī)數(shù)，所以將最常見質(zhì)檢項升級到“語義點”方案，即可為整個業(yè)務帶來顯著的效果提升。

　　同時，我們也應該了解到，隨著自然語言處理領(lǐng)域新技術(shù)的突破，從字符級“關(guān)鍵詞”方案，向句子級“語義點”方案轉(zhuǎn)換的速度正在加快。過去兩年，自然語言處理領(lǐng)域迎來了繁榮時期。Google 發(fā)表于 2018 年的 BERT 模型，為行業(yè)帶來了全新的技術(shù)思路，具有里程碑意義。2019年6月，作為 BERT 模型的一種重要的改進方案，XLNet 模型在 20 個標準任務集上超過 BERT，并且在 18 個標準任務集上取得 state of the art 成果，包括機器問答、自然語言推斷、情感分析和文檔排序等。

　　XLNet 模型由循環(huán)智能聯(lián)合創(chuàng)始人楊植麟博士(第一作者)，與谷歌大腦、卡內(nèi)基梅隆大學共同推出。該模型具備編碼超長序列的能力——簡單理解就是可以更好地理解長句子。2019年末，XLNet 被人工智能領(lǐng)域的頂級學術(shù)會議 NeurIPS 2019 接收為 Oral 報告論文(占比 0.5%)。同時，XLNet 也入選了權(quán)威的中國人工智能學會《2019人工智能發(fā)展報告》，被稱為 BERT 之后重要的進展之一。

　　循環(huán)智能(Recurrent AI)正是基于原創(chuàng)的、世界前沿的 XLNet 模型，在智能質(zhì)檢產(chǎn)品中的加速向“語義點”方案轉(zhuǎn)換，取得遠超傳統(tǒng)方案的效果。過去一年，我們的智能質(zhì)檢系統(tǒng)獲得多家金融、教育、互聯(lián)網(wǎng)服務領(lǐng)域贏得多家標桿客戶的商業(yè)訂單，包括眾安保險、玖富、CBC、華道、你我貸、人人貸、新東方在線、獵聘等。> 下篇預告下一篇關(guān)于智能質(zhì)檢的文章，我們將向大家介紹，在不同的業(yè)務場景下，關(guān)鍵詞方案如何與語義點方案高效搭配使用，大幅提升質(zhì)檢效率。