干货 | 深度学习在携程攻略社区的应用

携程攻略社区是携程旗下的旅游攻略类社区，致力于为旅行者提供出行指南和资讯服务。依托携程2.5亿用户总量，社区日活跃用户超过500万，并汇集3000万条真实用户的旅行和酒店点评，并有40万篇旅行游记，2000位知名旅行达人。面对数据库中浩如烟海的信息，我们如何能去其糟粕，留其精华？

攻略社区的主要需求

攻略社区的数据比较复杂，包括了多语种，不同篇幅的自然语言处理，如用户评论，长短篇幅的游记，景点官网页面数据；图像数据处理，如用户上传的景点照片等多种应用场景。模型需要在极短的时间内对海量的这些信息进行正确分类。

深度学习及一些经典模型简介

介绍浅层机器学习模型和深度学习模型的异同。从传统的支持向量机(SVM)起始，循序渐进，引出了在今天的分享中扮演了非常重要角色的卷积神经网络模型(CNN)。

从最基本算法角度简单明了地指出了CNN的特点，优势和应用场景。除CNN之外，还有词向量模型(WORD2VEC)，循环神经网络(RNN)，长短期记忆人工神经网络(LSTM)，循环卷积神经网络(RCNN)。

DL在攻略社区应用

在介绍了攻略社区的特殊需求和主流深度学习模型之后，下一步便是如何根据实际情况和模型特点高效满足现有的需求。根据数据类型，应用场景又可分为以下若干部分：

1、在自然语言处理方面，主要运用CNN模型进行语义情感分析，LSTM模型进行地址质量打分，CNN+Highway+LSTM+Attention模型完成指定景点开放时间的抓取和判断。

2、在图像处理方面，运用CNN进行图像分类，识别广告图片，侵权图片和非法图片。以及CNN+LSTM+Attention进行图像中物体检测以及自动生成图片对应的带情感文字描述。

3、在视频领域中，使用RCNN和LSTM模型对视频数据进行自动审核并生成对应文字描述。

4、在数据内容领域中，用模糊神经网络进行目的地和POI信息的多元信息匹配。

未来趋势和关注点

对于携程攻略社区而言，之后的工作目标除了优化现有模型外，还将从自动纠错，知识图谱，虚拟现实和更多更广泛的深度学习模型入手，进一步提高计算效率和准确率，为用户带来更多样化更好的体验。