导读：高德地图拥有几千万的POI兴趣点，例如大厦、底商、学校等数据，而且每天不断有新的POI出现。为了维持POI数据的鲜度，高德会通过大量的数据采集来覆盖和更新。现实中POI名称复杂，多变，同时，名称制作工艺要求严格，通过人工来制作POI名称，需要花费大量的人力成本。
因此，POI名称的自动生成就显得格外重要，而机器对商户挂牌的语义理解又是其中关键的一环。本文主要介绍相关技术方案在高德的实践和业务效果。
一、背景
现实世界中，商户的挂牌各式各样，千奇百怪，如何让机器正确的理解牌匾语义是一个难点。商户挂牌的文本种类有很多，如下图所示，我们可以看到一个商户牌匾的构成。
结合POI的名称制作工艺，我们目前将POI的牌匾的文本行分为4大类：主名称、经营性质（包括经营范围，具体的进行项目）、分店名、噪声（包括非POI文字，地址，联系方式），前面3个类别会参与到POI名称制作中。如上图所示的牌匾，它输出的规范名称应该是“世纪宏图不动产 (兴业路店)”。其中“世纪宏图”是主名称，“不动产”是经营范围，而“兴业路店”是分店名。
从牌匾中找出制作名称所需要的文字，不仅仅需要文本行自身的一些特征，还需要通过结合牌匾上下文，以及图像的信息进行分析。单纯的文本行识别会遇到下面的问题，如下图，在两个牌匾中都提到了“中国电信”，但是它们的意义是不一样的，这时必须结合上下文的理解。
二、技术方案
单纯从文本的语义理解的角度出发，那么这个应该是一个文本分类问题。但是直接的分类效果不佳。现实中在理解牌匾文本行语义的时候，需要结合图形，位置，内容，以及上下文关系综合来判断。为此，我们将商户挂牌理解的这个问题分解成两个子问题来解决，1.如何结合图像、文本、以及空间位置；2.如何结合上下文关系。因此，我们提出了Two-Stages级联模型。
2.1 Two-Stages 级联模型
Two-stages级联模型分为两个主要的阶段：第一阶段提取单文本信息特征，包括文本位置和文本内容等，第二阶段提取牌匾中文本行上下文关系特征，消除只用单个文本识别容易造成的歧义，准确识别出该文本属性。
2.1.1 Stage One 单文本行特征提取
单文本行特征可以分为词性结构（token level）特征和句子语义（sentence level）特征。除此之外，位置信息（PV）也是比较重要的信息，需要进行特征提取和编码。将以上特征进行融合，得到了单文本行特征。
token level层的特征提取方面，结合名称的构成以及名称工艺，我们定义了三种词性: 核心词(C)、通用词(U)、结尾词(T)。在这里我们使用LSTM网络来学习名称的词性序列。
sentence leve层的特征提取方面，由于我们的标注量相对比较少，采用了具有大量先验知识的BERT模型。同时，为了更好的符合当前业务场景的需求，我们结合业务中POI的数据集合，在原来Google官方提供的预训练模型基础上继续pre-training，得到新的模型BERT-POI。
预训练的POI文本语料没有太多的上下文环境，在构造样本时，我们将两个POI名称串起来或是同一个POI随机切分，中间都用SEP隔开，进行多任务学习：缺字补全和预测两个文本行是否属于同一POI。经过实验发现，在POI数据上预训练模型BERT-POI 比Google发布模型BERT-Google，缺字补全和同一POI判定两项任务上名，正确率高20%左右。
此外，将预训练的模型用于下游属性识别任务上，BERT-POI与BERT-Google相比，提升主名称，分店名，营业范围的召回3%~6%。
下图展示了我们预训练的过程图: 
随后，我们对预训练好的BERT-POI在进行了finetune，提取出sentence leve层的特征。
2.1.2 Stage-Two 文本相互关系提取
Stage One提取到了单文本行的特征，那如何去实现上下文的关联，我们加入了Stage Two的模块，模型结构如下：
Stage Two最主要是用BILSTM(Bidirectional LSTM)处理stage one输出特征，能够将当前文本特征和牌匾内其他文本特征进行学习，消除歧义。
三、业务效果
牌匾通过语义理解后，会根据具体的输出类型来制定名称生成的策略。例如：对于单主+噪声牌匾，我们直接将主名称作为POI名称，而对于单主+分店名+经营性质+噪声的牌匾，我们会分析主名称的结构，看是否需要拼接经营性质。
下图展示了当前我们牌匾语义理解和名称的部分拼接策略：
图3.1单主+噪声场景
图3.2 单主+分店名场景
图3.3单主+经营性质场景(主名称中有经营性质)
图3.4 单主+经营性质场景(主名称中无经营性质)
四、小结
目前商户牌匾语义理解模块的准确率在95%以上，在POI的名称自动生成中起到的重要的作用。商户牌匾的语义理解模块只是POI名称自动化的一部分内容，在POI名称自动化中还会涉及到噪声牌匾过滤、牌匾是否依附建筑物、敏感类别、文本的缺失、名称生成、名称纠错等模块。我们会在图文多模态这块更深入的探索，更多地应用于我们现实场景中，生产更多、更高质量的数据。
原文链接
本文为云栖社区原创内容，未经允许不得转载。
