相关性特征在图片搜索中的实践

一、引言

图片搜索是搜索引擎中比较重要的一块内容，相比于网页搜索，图片搜索需要结合文本、图像等多维度的特征，来对检索结果进行排序、去重等工作。在学术界，经常会提到多模态 ( Multi-modal ) 、跨模态 ( cross-modal ) 检索，图片搜索就是其中的典型场景。

本文主要分为两个部分，第一部分是图片排序中，相关性特征计算用到的一些模型，主要是用来计算文本检索词 ( query ) 和图片 ( doc ) 的相关性；第二部分是 attention 机制在图片排序特征融合上的实践。这两部分工作都是为图片搜索服务的，第一部分可以理解为一些常规方式，第二部分是结合 attention 的一种思路。

此外，本文不涉及图像检索（以图搜图、识图）等内容，说明下以免混淆。

二、图片搜索常用方法介绍

做过搜索引擎都知道，搜索最基础的两部分：召回+排序，召回功能由索引完成，排序就是对候选 doc 计算相关性分值，然后根据分值完成最终的检索结果排序。本文着重要介绍的就是排序部分的工作。

排序部分工作不是由一个模型完成的，用一个模型计算 query 和 doc 的相关性分值就直接排序，这样太简单粗暴了，也很难在工业上达到较好的效果。首先需要说明的是，图片搜索中，一个 doc 不单单包含图像信息，还包括一系列的文本域 ( title、content、surround… ) 、站点 ( site ) 等信息，所以最终的排序是根据这些信息的综合排序。

因此大多数设计模式是，通过基础模型学习不同的特征维度来表示各个域的相关性，如 query 和 doc 文本相关性、和图像相关性、站点质量、图片质量等特征，然后使用模型将这些特征综合计算得到排序分值。这里我们关注的重点是相关性特征的表示。

2.1 相关性特征整体介绍

传统的相关性特征中，最为经典的就是 BM25 ，根据 tf 和 idf 来计算 query 和 doc 文本的匹配度，主要考虑在 term 空间上的匹配。此外还有 matchrank、PLS ( Partial Least Square ) 、RMLS ( Regularized Mapping to Latent Space ) 等。

随着深度学习的兴起，近几年的主要都考虑使用 DL 来计算 query 和 doc 相似度，有些地方也将其称为 deep matching 。在 DL 方法的应用上，根据模型框架的侧重不同，也可以分为两类方向，一类侧重于表示学习 ( Representation learning，图 1 ) ，一类侧重于匹配方法学习 ( Matching function learning，图 2 ) ，我们可以根据下面图 1、2 对两种方法做进一步的理解。

图 1 Representation Learning

图 2 Matching Function Learning

根据图 1、2 我们可以看到，在 RL 上，模型将 query 和 doc 分别根据神经网络各自得到一个潜在空间的表示，一般是一个 float 型的向量，然后使用 cosine 、欧氏距离等计算相关性。而 MFL 类模型是先计算 query 和 doc 的交互信息，在交互信息基础上通过模型计算相关性得分。

在图 3 中，列出了近几年两个方向的一些比较有代表性的论文。在 RL 方向上，列出了有 Transformer 和 BERT ，这里有同学可能会有疑问，因为这两个模型在初始论文中，并不是用来计算文本相似度的。在笔者看来，RL 模型的核心就是 query 和 doc 各自向量表示学习， Transformer 的 encoder 过程、BERT 的 token \ position embedding 最终都是要解决句子的向量表示问题，包括 EMLo ，虽然侧重点不一样，但都可以用在两个文本序列的相似度学习上。

图 3 在 RL 和 MFL 方向部分论文

接下来我们各自挑选一个比较典型的模型做下简单的介绍，便于我们理解两类模型的思路。

2.2 Representation learning

这里介绍下 CDSSM 模型，这是个很经典的模型，模型结构如图 4 所示。

图 4 CDSSM 模型

在 CDSSM 中，一个训练样本，由一个 query 、一个正样本 doc 和 n 个负样本 doc 组成，表示层的参数是共享的，网络结构是卷积 + max 池化 + 3 个全连接层实现，sim 值计算只用 cosine 距离，loss 函数如图中所示。

可以看到，CDSSM 模型是一个典型的“双塔”结构，即 query 端和 doc 端的计算是独立的。DSSM 是 CDSSM 的简化版，没有加卷积层；而 ARC I、CNTN 也是用了卷积+全连接的基础结构，在目标函数细节上有优化。LSTM-RNN 从名字就知道，是用 lstm 替换了卷积层。

在论文中，CDSSM 模型的参数是共享的，但实际试验中，其实你可以选择 query 端和 doc 端不共享，因为 query 和 doc 文本的分布并不相同，在实际检索场景中，query 相对较短，doc 较长；更进一步地，在原始论文中，RL 模型都是用于学习 query 和 doc 文本的相似度，即文本序列的相似度。

其实我们将 doc 端的模型结构替换，比如替换成 vgg 、resnet 等 ( 可以使用开源模型而不必 fine tune ) ，在此基础上简单增加几个全连接层+激活层等，doc 端的输入变成图像特征，这样就可以计算 query 和 doc 端图像特征的相似性，同样可以得到不错的效果。图 5 是我们通过这种方式得到的 query 和图像相关性的 demo 结果。

图 5 query 和 doc 图像特征相关性示例：自行车

因此可见，RL 模型只是一个大框架，在这个框架的基础上，解决的是，如何更好的将 query 和 doc 特征映射到同一个潜在空间，不同的训练数据、特征表示，可以得到不同的相关性特征。

2.3 Matching function learning

MFL 的模型在 query 和 doc 的交互信息表示上，方式不尽相同，但整体思路还是一致的。这部分我们介绍下 k-nrm 模型。模型的基本模型如图 6 所示。

图 6 K-NRM 模型结构

K-NRM 是一个基于 kernel 的神经网络排序模型，根据 query 和 doc 的向量特征 ( vector ) 生成一个平移矩阵 ( translation matrix ) ，使用 kernel 提取出泛化的匹配特征 ( soft match feature ) ，然后使用 LTR 模型来计算 score 。该模型是 end-to-end ，loss 函数使用的是 pairwise loss 。

此外，作者根据用户点击行为对 word2vec 做了 tune ( click2vec ) ，效果很明显。这里多说两句，笔者比对过 word2vec 和 click2vec ，click2vec 表现出来一个很好的特质是更倾向于子类别下的相似词，举个例子就很好理解，在 w2v 中“北京”最相近的词一般是“上海”、“南京”这些城市名，但是在 click2vec 中，最相近的词会有“海淀”、“昌平”这类词；再比如“华为”在 w2v 中相近词是“摩托罗拉”、“爱立信”这些，但在是 click2vec 中，相近词是“mate”、“p10plus”等。

具体哪种词向量更好，针对不同的任务需要具体尝试，况且现在都习惯对词向量做 fine tune 。但就检索任务来说，click2vec 似乎更符合直观理解，毕竟用户检索“北京”出个海淀的图片没问题，出个南京的图片就说不过去了。这块也是挺有意思的一个任务，以后有机会再单独总结。

模型部分其实是比较简单的，需要注意两点，①是平移矩阵到最终匹配特征的过程；②是高斯 kernel 的使用，如图 7 所示。高斯 kernel 的使用有点类似卷积，可以理解为 filter size 变化的卷积核。论文中还使用 max、mean 等方式来做 pooling 。

图 7 高斯 kernel

看完高斯 kernel 我们梳理下整体流程，图 6 表示得挺清晰，这里说明下数据流的 shape 变化。query 是 n*300 ，doc 是 m*300 ，translation matrix 是 n*m ，经过 kernel pooling 后变成 n*k ( 每行的 1*m 经过一个 kernel 变成一个数值 ) ，然后累加得到 k 维的 Soft-TF features 。具体公式论文中很详细，可参看论文：

http://www.cs.cmu.edu/~zhuyund/papers/end-end-neural.pdf

这时候我们再看图 3 中下半部分的论文模型，从 ARC II 到 Conv-KNRM ，都是要通过 query 和 doc 的交互来计算最终的相似度，不同之处在于交互的方式有变化，但整体思路是一样的。

2.4 小结

对比 Representation learning 和 Matching function learning 两类方法，从直观上理解，一般认为后者的思路更好，因为 query 和 doc 的交互发生的初始阶段，这样可以尽量多的保留二者之间的相互作用信息。在论文的一些指标表现上确实如此，但是在工业的使用方法上大都倾向于使用前者。

原因是 RL 类的模型更“独立”，即 doc 端的特征在 inference 阶段是不依赖于检索 query 的，对于搜索引擎而言，这种“独立性”大大提高了计算效率。当然，MFL 不是不能用，可以再粗排序的基础上，只对 top 部分重排的时候使用，这样就能避免响应时间过高。

针对上面罗列的算法，大部分都有开源的代码，这里要感谢 NTMC 的成员们，在 GitHub 上的开源项目 MatchZoo：

https://github.com/NTMC-Community/MatchZoo

对相关模型进行了实验效果比对，如图 8 所示。这个项目没有的模型，在 GitHub 上大都也有开源代码。

图 8 MatchZoo 实验结果

三、Attention 机制在图片搜索中应用

第二部分介绍的两类方法，大致就是计算 query 和 doc 相关性的两类思路，这些方法都是计算 query 和 doc 单一相关性，即 query 和 doc 文本、query 和 doc 图像等。得到这些基础的相关性特征后，然后再使用 ltr 模型 ( 如 lr\svmrnak ) 来计算最终的排序分值。

这里有个问题，就是 ltr 模型是一个和检索 query 无关的模型。

拿 lr 模型来说，比如有 10 个基础相关性特征，经过训练之后，lr 模型就有 10 个固定的权重。稍加思考就知道，对于不同 query 权重应该是变化的，比如“5 月伤感图片”、“老虎简笔画图片”这两个 query ，前者应该更倾向于语义特征，因为很难定义什么样的图像叫伤感图像，但后者应该更倾向于图像特征，至少该是个简笔画图片。

后来看到有研究使用 Attention 机制来解决这个问题的，感觉是个很好的思路。大体想法是，分别计算 query 和 <doc 文本，doc 图像> 整体的相关性，然后根据 query 和 doc 的本身特征，学到两种相关性的权重。

AMC 算法 - Attention guided Multi-modal Correlation ，地址：

https://arxiv.org/pdf/1704.00763.pdf

是我看到比较有代表性的，以此为例做介绍。

3.1 AMC 模型介绍

针对不同的模态相关性 ( 这里就 query 和图片为例 ) ，AMC 模型根据内部 ( intra ) 和交互 ( inter ) 网络来学习两个内容：① doc 表示的重点；② 如何平衡各个模态的重要程度，其中 intra 和 query 无关，主要是为了找到 doc 中文本和图像中最有信息的部分； inter 是通过 query 意图等信息，来平衡不同模态相关性的重要性。

图 9 AMC 模型框架图

根据图 9 所示，我们可以看到 AMC 模型，其实包含了三个部分 VAN 、LAN 和 MTN ，VAN 是 doc 图像特征的子模型，LAN 是 doc 文本特征的子模型，而 MTN 是通过 query 向量表示和 v、k 作用计算权重，计算出 doc 的 attention 向量 X 。训练数据使用点击，构造正、负样本。大致公式如图 10 所示，具体见论文。

图 10 AMC 三个子模型的公式推导

作者还给出了示例，根据图 11，我们可以很清晰的看到 AMC 模型的结果。针对不同的 query 和 doc ，图像特征 ( visual ) 和文本特征 ( language ) 的权重是不同的。

图 11 AMC 模型应用实例

3.2 AMC 一点想法

这篇论文证明了使用 query 给图像、文本特征加入 attention 的可行性，最重要的是证明了 query 对于文图、文文特征，动态调整重要程度对结果提升明显，但是，工业上直接照抄恐怕难以复制，因为 query 和 doc 的交互较多，对搜索这种对响应时间要求高的场景，资源要求略高，当然借鉴这种思想；

另外，该模型中，动态调整权重的方案是根据 query 和 doc 文本/图像特征的 sim 作为权重，在物理上不太好解释。当然，模型训练的 fine tune 后计算出的不一定是 sim 值，但直觉上，query 对文本/图像权重调整应该只和 query 本身相关即可。我们单纯用 query 做过一些实验，效果并不好，当然也可能是相关性特征本身不平衡的问题，这块后续会继续验证。

四、总结

本文主要介绍了图片搜索（以文搜图）场景下的常用方法，有些在工业上已有很成熟的应用，有些尚待验证，尤其是近两年的各种文本领域的深度模型，如何在文本表示更好的基础上，应用到图文相关性问题上，还需要很多实验和尝试。

针对文中的各种问题，欢迎大家指正、交流。

作者介绍：

沈炎军，现就职于搜狗搜索 - AI 研究部，副研究员，工作内容为图片搜索中排序算法、相关性特征挖掘，研究方向包括信息检索、NLP 等。

本文来自 DataFun 社区

原文链接：

https://mp.weixin.qq.com/s/NcAhRYNsm6-Zrv8n1M5mew