京东618｜看人工智能如何助力京东破千亿

京东618累计下单金额达到1199亿元，这个数据离不开深度学习技术在各个方面的帮助。

作为国内最大的自营电商，京东积极应用深度学习技术在各个业务线，优化用户体验。本文将着重介绍京东如何运用深度学习技术去优化商品数据，构建智能的商品生态来提升多业务用户体验。

图文不一致性是由于商品图片与商品文字描述的不一致导致的，这可能是由于图片和某一个或者多个文本属性冲突导致。这表明商品的基础数据存在错误，通常情况下会导致搜索的错误，影响用户的体验。

举一个简单的例子，当我们在京东购物，搜索 “男士 polo 衫 纯色”时，由于一些商品错误的文本信息导致该商品错误的被搜索命中，呈现给消费者。

上图中最右下角的格纹衬衫的扩展属性为纯色。该属性明显与商品图片不一致，错误的数据降低了搜索的准确率，但是增加了商品的曝光率。为此，我们通过自然语言理解和图片识别技术来检测图文不一致现象，对错误数据进行修正和通知商家修改。

高精度的图像识别技术，从商品图片中识别商品主体并抽取商品的特征，为文本属性修正提供高置信度的参照。以衣服的颜色为例，描述衣服颜色的名词数不胜数，以红色为例，就有绯红、桃红、品红、鲜红等等。利用分词抽取，我们获取了近万个颜色字段。

很多颜色的区分度极小，即便肉眼也很难区分，对训练数据的收集带来了很大的困扰。同时由于光照拍摄的问题，如此细分的分类对训练的结果也不一定有益。为此，我们首先对于颜色属性进行归一化，划分出不到 20 个色系，其余的属性也按照类似方法进行归一化。在准备好训练数据后，我们采用了 52 层 resnet 残差网络的finetuning 实现了多种图片特征 95%+ 的准备率模型。后续，我们会加入我们自己的卷积网络特征去提供准确率。

商品的标题由采销人员和第三方商家命名，其中自营商品的命名较为规范。商家命名时，有些标题除了有文本描述矛盾外，还出现了大量词汇堆砌的情况。

从图上可以看到，一个跑步鞋商品的标题上“鞋”出现了 6 次。商家如此命名是为了增加搜索、推荐等系统命中率。然而实际情况上，搜索会对于此类词汇堆砌严重的标题进行降权，使得出现在搜索结果的末端。

为了解决此类问题，提升用户对于标题的信息获取的有效性，我们利用机器学习技术对商品标题进行一系列的处理：分词、实体识别、属性打标、热度计算、中心判定，将商品标题结构化。日后商家录入标题我们会利用模型结构化标题进行打分，对于此类词汇堆砌严重的标题进行结构优化，从源头上优化商品标题质量。

商城与用户的交互对于商品的反馈是商品数据的一个重要补充。用户的反馈主要包含商品评论，问答，退换货等信息。京东的理念是客户为先，因此我们对于用户的反馈极为重视。这些信息可以直观的展现用户对于商品的感受和质量的反馈。我们为此构建了多类语义理解模型，利用用户反馈，实现选品、商品质控等。下面我们选择评论的信息抽取着重介绍。

用户在购买商品时，之前用户的评论对用户的购买意愿有极强的影响力。但是在用户海量的评论中存在大量的无意义评论，这就影响到用户获取有效的信息。为此我们通过语言模型，对评论语句打分，将没有实质意义的评论折叠在评论最后。

此外我们会从评论中抽取关键词短语，通过对于短语与短语之间相似度的计算，聚合出出现频次最高的短语及相应的评论内容，展现给用户。此外我们还会分析用户评论的情感，真实展现负向情感关键词，给用户获得一个直观的产品描述，诚信对待消费者。

我们采用了无监督与有监督结合的方式构建关键词抽取模型， 在模型设计中，首先考虑到单独的词汇表达能力有限，不能满足业务需求，比如“声音”、“颜色”、“外观设计”等，而我们更需要的是，“声音大”，“颜色艳丽”，“外观设计时尚大方”等，所以采用了短语向量训练。然后根据业务其他需求加入了语言模型，情感模型，功能词模型等，最终取得不错的成果。我们的模型实现了定期自动更新。

模型会自动把你提交的评论做以上相关分析与处理，返回对应 top 关键词。结果示例：

可以说，通过深度学习技术，京东已经构建了卓越的智能商品生态来提升多业务用户体验。

不光是京东，国内外互联网巨头都在抢占 AI 高地，押注人工智能。而AI人才也正被高薪抢夺。

而随着火热的市场需求，也有越来越多的小伙伴想转行/求职AI相关职位，但是，却不知道该从何入手。其实，只要选对了老师和学习方法，机器学习是人人都能上手学的。而效率最高的学习方式，莫过于让实战经验丰富的老师带你在实战中学习。市面上唯一最高效学习课程《3个月成为AI实战工程师 —— 深度神经网络实战》，让你学完就能把深度学习真正应用到工程实践中，尤其是高性能实时处理中。现在报名，还能直减2000元～

还有5个 200元 本课程优惠码【STUQ620】，先抢先得！点「 阅读原文 」立即使用!

有问题？长按二维码，咨询课程详情~