闲鱼是怎么让二手属性抽取准确率达到95%+的？

先上效果

个护.gif

图1 - 二手属性抽取算法效果Demo(1)

背景

闲鱼作为一款C2X的app，站在商品发布的角度，闲鱼商品相对于淘宝商品的特点有：

轻发布导致商品信息不足 闲鱼采用图文描述的轻发布模式，迎合了用户快速发布的体验，但也导致了商品结构化信息不足的问题。如果平台希望更理解商品到底是什么，就需要算法去识别用户描述的图片和文本。
商品具有独特的二手属性 不同于淘宝新品的一手属性（例如品牌、型号、规格参数等），二手属性指的是在商品入手一段时间后，能够反映商品折损/保值情况的属性，比如商品的【使用次数】、【购买渠道】、【包装/配件是否完整】等。不同类目有该类目独特的二手属性，比如个护美妆有【保质期】，手机有【屏幕外观】、【拆修情况】，服装类有【是否下过水】等。

问题和难点

二手属性抽取在NLP领域属于信息抽取（Information Extraction）问题，通常的做法是拆解为命名实体识别（NER）任务和文本分类（Text Classification）任务。

二手属性抽取任务的难点有：

不同的类目、不同的二手属性/属性簇，需要构建不同的模型。
如果使用有监督学习（Bert家族），打标工作会非常的繁重，开发周期会变得很长。

解决方案

方法论

在当今NLP环境，依旧是Bert家族（或Transformer衍生的各种算法）大行其道，霸榜GLUE、CLUE等各大NLP榜单，信息抽取任务也不例外，所以笔者在本方案中的某些场景也使用了Bert家族。不过笔者认为，没有一种算法在各种场景下都是全能的，只有在给定领域、指定场景下最适用的算法。此外，笔者总结了自己的一套属性抽取的方法论：

句式相对固定，或者句式受模板限制，如文本描述模板是典型的时间+地点+人物+事件（某事某地某人做了啥事），用NER，建议方法：CRF、BiLSTM+CRF、Bert家族、Bert家族+CRF等。
句式不固定，但领域/场景关键词相对固定，或者有一些关键词模板、俗称、行话等，用文本分类：
1. 近义词、近义表述不是特别多的情况（≤几十种到上百种），关键词呈对数正态分布/指数分布（即有很多高频且集中的关键词），建议方法：正则表达式+规则。
2. 近义词、近义表述非常多的情况（≥几百种到上千种），典型的如地名识别，建议方法：用Bert家族
句式和词语都不固定，典型的如社交评论/聊天的情感分析，建议方法：用Bert家族。

方案架构

架构.png

图2 - 二手属性抽取方案架构图

NLP任务如前所述，将不同的二手属性识别需求拆解为文本多分类、多标签分类以及NER任务。
文本多分类：即“n选1”问题，比如根据文本判断商品是否包邮（二分类）。
多标签分类：即同时进行多个“n选1”问题，比如同时判断某手机商品的屏幕外观（好/中/差）和机身外观（好/中/差）。多标签分类通常的做法是对不同标签共享网络层，并将损失函数以一定权重叠加，由于多个标签之间有一定程度的联系，效果有时候会比做多个单独的“n选1”问题更好，同时由于是多个属性（属性簇）一起建模，在训练和推断的时候也会更省事。
NER：即命名实体识别。

建模方法

1. 人工打标阶段由于打标的人工成本比较高，需要设法利用集团的AliNLP进行辅助。方法是，首先利用AliNLP的电商NER模型对输入文本进行解析。然后进行拆解，对属于NER任务的二手属性，如保质期/保修期/容量/使用次数/服装风格等，可以直接定位到相关词性或实体的关键词进行BIO标注；对属于分类任务的其它二手属性，则可以在电商NER的分词结果基础上打标，提高人工标注的效率。

2. 算法训练阶段此为方案核心，本方案训练算法主要通过3种途径：

（1）使用Albert-Tiny：建模采用主流对预训练+finetune的方案。由于该模型推断速度更快，用于对QPS和响应要求非常高的实时在线场景。对于NER任务也可以尝试在网络最后面接一层CRF或不接。 Albert：Albert意指“A lite bert”，名副其实，它的优点在训练速度快。

Albert的源码相比Bert的源码基本如出一辙，但网络结构有几点重要的区别：

1. Word Embedding层做了因式分解，在词向量上大大减少了参数量。设词表大小为V，词向量长度为H，对Bert，词向量参数量为V*H；对Albert，先把词向长度量缩减为E，再扩充为H，参数量为V*E+E*H，由于E远小于H，H远小于V，用于训练的参数量得到锐减。

1. 跨层参数共享：以albert-base为例，albert会在12层之间共享每层的attention参数或全连接层ffn的参数，默认是两者都共享。源码中通过tenorflow.variable_scope的reuse参数可以轻松实现。参数共享进一步减少了需要训练的参数量。除此之外，Albert还有一些训练任务和训练细节上的优化，此处按下不表。

Albert依据网络深度不同分为： - Albert-Large/xLarge/xxLarge：24层 - Albert-Base：12层 - Albert-Small：6层 - Albert-Tiny：4层一般来说，层数越多，训练和推断耗时都会越久。考虑到线上部署的实时性要求更快的推断速度，本方案选择了最小的Albert-Tiny。其中文推断速度相对bert-base提高约10倍，且精度基本保留（数据引用自[github/albert_zh](https://github.com/brightmart/albert_zh)）。

（2）使用StrutBert-Base：建模采用主流对预训练+finetune的方案。经测算，在二手属性识别上，它比Albert-Tiny准确率相对提升约1%到1.5%，可用于离线T+1场景。对于NER任务也可以尝试在网络最后面接一层CRF或不接。 **StructBert**：为阿里自研算法，优点在精度高，[GLUE榜单](https://gluebenchmark.com/leaderboard)上已经排到第3名。

Word Structural Objective：StrutBert在Bert的MLM任务基础上，加上了打乱词序并迫使其重构正确词序的任务：论文中是随机抽取一个三元词组(trigram)进行打乱，然后加上了如下公式作为MLM损失函数的约束。StrutBert的这个灵感也许来自于网上的一个段子：“研表究明,汉字序顺并不定一影阅响读，事证实明了当你看这完句话之后才发字现都乱是的”。

本方案之所以选择StrutBert，是因为集团内有该算法在电商领域专属的预训练模型（接口），它依据网络深度不同分为：

StrutBert-Base：12层
StrutBert-Lite：6层
StrutBert-Tiny：4层

在离线T+1场景下，追求精度更高而对实时性无太大要求，因此本方案选择了StrutBert-Base。

本方案之所以选择StrutBert，是因为集团内有该算法在电商领域专属的预训练模型（接口），它依据网络深度不同分为：

StrutBert-Base：12层
StrutBert-Lite：6层
StrutBert-Tiny：4层

在离线T+1场景下，追求精度更高而对实时性无太大要求，因此本方案选择了StrutBert-Base。

（3）使用正则表达式：优点：速度最快，比Albert-Tiny还快10-100倍以上；且在许多句式和关键词相对固定的二手属性上，准确率比上面两种算法更高；且易于维护。缺点：非常依赖业务知识、行业经验和数据分析对大量正则模式进行梳理。

3. 规则修正阶段

识别结果归一化：对于NER任务，许多识别出来的结果不能直接使用，需要做“归一化”，例如某件男装衣服的尺码识别出来为“175/88A”，那么应该自动映射到“L码”。
某些二手属性之间可能会存在冲突或依赖，因此在算法识别之后，需要对识别结果依据业务规则进行一定修正。比如某商品卖家声称是“全新”，但是同时又表明“仅用过3次”，那么“全新”会自动降级为“非全新”（99新或95新，不同类目分级略有不同）。