Antonino Rau 谈 Condé Nast 的自然语言处理和内容分析引擎

从 2015 年开始，Conde Nast 创建了一个自然语言处理和内容分析引擎，以改进与其 22 个品牌所创建的内容相关的元数据。新系统使点击率提高了 30%。Conde Nast US 的软件工程师和技术经理 Antonino Rau 最近在一篇分为两部分的博文“Conde Nast的自然语言处理和内容分析”中描述了这个项目背后的动机、系统架构以及他们的 NLP 即服务系统 HAL 的发展。据介绍，他们的目标是用一个系统来取代简单的分类和标记，“自动‘逆向工程’他们的世界级编辑们在其中输入的知识。”

HAL 以电影《2001 太空漫游》中的 HAL-9000 命名，它集成了一个名为 Copilot 的专有内容管理系统（CMS）。HAL 使用 Java 构建，使用预训练或定制训练的模型运行一组分析程序，包括 JVM 内和 JVM 外模型。

HAL 的处理引擎基于一个可并行的有向无环图构建，用来分析和注解内容。它分析了内容的不同方面，提取出各种特征。例如，通过分析内容，它可以提取已知的人，然后用有关个人的链接资源注解响应。其他功能包括主题和分类或者地点和新闻故事。所有这些都带有附加的相关信息。

分析结果的整理受到了Uber Michelangelo的启发，其目标是改进和训练模型，并重复向 HAL 请求静态内容。

InfoQ 联系了Rau，了解他所做的有关 HAL 的工作。

InfoQ：您在博文中写道，“几年前，2015 年，我们决定进入下一个阶段”。你们为什么要改变它的工作方式？编辑之前是否手动为他们的文章添加标签？

Antonino Rau： 主要的动力是对编辑在不同情况下生成的内容进行自动洞察（主题、实体等等）。然后，这种内容智能将结合用户行为，构建片段、推荐和其他功能。是的，以前的编辑会手动标记。后续，他们仍然可以删除自动标签或从受控词汇表中手动添加标签。

InfoQ：您决定在 HAL 中构建自己的自然语言处理系统。您考虑过第三方的选项吗？如果考虑过，是什么让您选择在公司内部进行开发？

Rau： 是的，我们那会考察了第三方，但我们决定搭配使用定制和开源模型，因为 HAL 最初只需要面向英语，而对于该语言，有很多开源的、预训练的模型，我们只针对一种语言建立了自定义模型，对于 OSS 模型不支持的特性也很容易。最近，2018 年 11 月，Conde 决定将Conde Nast US和Conde Nast International纳入一个全球性平台，因此需要支持其他 8 种语言。我们正在研究将第三方模型集成到 HAL 中，加快 HAL 在所有 Conde 市场上、所有那些语言区域的推广。HAL 的好处是它还充当了一个防护层，因此，即使我们集成了供应商，由于它的架构，我们也可以很容易地在混合了 OSS、定制和供应商模型/分析程序的环境中进行操作，并且仍然具有相同的抽象和标准化输出。

InfoQ：您为什么选择了 Java？

Rau：运行 NLP 模型非常消耗 CPU 和内存。此外，从我们的基准、最好的功能和性能方面来看，上述 OSS 模型 Java 均可提供。最后，从 CPU 和内存密集型应用程序的系统性能和鲁棒性方面来看，Java 对于我们似乎是最好的选择。

InfoQ：HAL 的设计，尤其是有向无环图被抽象出来泛化使用令人印象深刻。在您决定采用这种方法之前，是否进行了多次迭代？您还考虑过其他的方法吗？

Rau：最初，这直接是个“管道和过滤器（pipe and filter）”方法，它使用了注解模型，正如博文中提到的文献所说的那样。但后来，我们使用的 JVM 外分析器越来越多，我们也越来越注意到，我们可以建立一个分析器图，通过互相传递注解来加速和并行化处理。

InfoQ：你们开发的东西有开源供别人使用的吗？

Rau：目前还没有，也许将来会有。

InfoQ：您提到你们内部使用了名为 Copilot 的 CMS。有自己的 CMS 对于实现 HAL 有帮助吗？或者，您觉得可以使用任何 CMS 来做吗？

Rau： Copilot 是基于一组名为 Formation Platform 的 API。我们意识到，HAL 的恰当位置是在产生内容的管道中，这样，自动丰富就成为 API 所提供的内容类型和内容模型的组成部分。但反过来也一样，HAL 的其中一个组件 Copilot-linker 是Entity-linker的实例，它会挖掘 Copilot 每天的内容类型，像餐馆、人物、场所等，“学习”编辑们输入系统的知识，自动从文章中提取这些实体，提取它们之间的联系。所以，我认为，在 Conde Nast 的上下文中，更一般来说是出版商的上下文中，内容分析和 NLP 需要与 CMS 高度协同。如果 CMS 是专有的，则更容易使其成为内部流的一部分，从而可以简化下游对这种自动丰富功能的使用，但我想也可以增加 OSS CMS，如果有恰当的扩展点的话。

InfoQ：通过 HAL 的流量是多少？

Rau：每月大约 3000 万请求。我们处理所有文本有变化的修订，有时候也处理不是来自 Condé的内容。

InfoQ：除了点击率之外，您还测量了哪些指标？HAL 对于这些指标是否有任何改进？

Rau：HAL 主题特性拥有数据科学团队的预测模型中的大多数预测特性，都已用于目标受众和消费者订阅偏好。

查看英文原文：Q&A on Condé Nast’s Natural Language Processor and Content Analysis