音乐领域语义理解打分模型

Posted 2020-10-03 春文秋武

1.抽特征

一个query属不属于音乐，这和我们对音乐的理解有很大的关系，需要进行产品上的定义。如你会唱歌吗，刘德华，换一首音乐，如何让孩子爱上学习等，既可以属于音乐也可以不属于音乐。对音乐的理解最终落到标注数据上，继而来影响我们的打分模型给出高分或者低分。

我们对query进行了很多的清理、转换、知识查询、相似度计算、拼音转换、纠错、句型辅助等工作，所以要从里面找到对query是否归属于音乐领域有影响的特征。我们目前抽取了slot数、各slot抽取情况、slot的组合、整体相似度、资源热度、歌手职业、标签数、标签强度、主干query长度、音乐日志、句型得分、意图词得分等特征，特征还在增加。

服务为了配合抽特征的需要进行了改造，针对特定的deviceid，返回中间计算过程中的各特征值。

2.离线模型训练

在上机器学习模型前，我们是用人工规则来进行的打分，针对各种情况写了复杂的if-else，是一步步的决策过程，所以选打分模型时，自然选择了决策树（GBDT）。离线模型的训练使用了python xgboost。

标注数据：我们共标注了近5万条数据，音乐近2万，其他领域数据近3万做为反例。通过服务解析，将query转换成特征集，libsvm格式(label \t id:value \t id:value)。

0	0:0.0000	1:0.0000	2:0.0000	3:0.0000	4:0.0000	5:0.0000	6:0.5000	7:0.0000	..
0	0:0.0000	1:0.0000	2:0.0000	3:0.0000	4:0.0000	5:0.0000	6:1.0000	7:0.0000	..
1	0:1.0000	1:1.0000	2:0.0000	3:0.0000	4:1.0000	5:0.0000	6:0.7000	7:0.0000	..

训练集/测试集拆分：训练集占数据集的比例一般为2/3 - 4/5，并且需要保证训练集/测试集中的类别平衡（正负比例和数据集中的一致）。我们随机抽取了1/5的数据作为测试集。

调节参数：xgboost支持对eta（学习率）、max_depth（树的最大深度）、lambda（L2正则化因子）等，使用了模拟退火对参数进行调优，给每个参数指定起取值范围、步长。训练过程中，每次随机选择一个参数对其增加或减小一个步长，训练一个模型算出其在测试集上的精度做为模型的评价值。

样本补充：测试调节过程中，会碰到一些case特征没有被学到（想让这一类case打分高，却打了低分），这时就人工补充一定量的这类数据到训练集中，再重新训练模型。我是对没有学到的case给重复增加了10条。

另外：

gbdt支持一个样本丢失部分特征，对于不存在的特征，我们进行了丢弃，以免干扰选择。

为了保证特征名和特征索引的一致，在离线训练的时候，把特征统一存在了一个文件中；在线服务抽取特征时用了枚举定义。更好的办法，可以写一个thrift定义，保证在线离线的统一。

3.在线使用

xgboost提供的java版xgboost4j需要依赖底层本地实现的支持，用的过程中windows没有编译成功。由于xgboot导出的模型有可读的文本版本，就使用了组里自实现的加载模型决策树java代码。

booster[0]:
0:[wholeSim<0.80175] yes=1,no=2,missing=1,gain=9265.91,cover=18714.5
	1:[intentScore<0.95] yes=3,no=4,missing=3,gain=972.265,cover=12050.5
		3:[tagSim<0.6795] yes=7,no=8,missing=7,gain=465.15,cover=11553.5
			7:[rank<0.97265] yes=13,no=14,missing=13,gain=389.613,cover=11183.5

在模型打分后，保留了一些规则（如slot正向/负向得分，用于修复紧急case。

4.后续

后续会继续增加特征，另外想引入语言模型，对抽取的slot用entity名代替，然后来训练出一个word embedding或者其他的语言模型。

参考：http://xgboost.readthedocs.io/en/latest/python/python_intro.html#install-xgboost