阿里-搜索团队智能内容生成实践

阿里搜索团队的智能内容生成探索：创新与实践

阿里巴巴搜索团队上半年深入挖掘智能内容生成的潜力，旨在通过智能手段争夺用户时间，与达人内容创作相比，智能生成具备规模化、成本效益高和信息密集的特点。其核心目标是打造高效、高质量的智能解决方案，适用于搜索和非搜索场景，为技术发展奠定基石。

Data2Seq：智能内容生成的引擎</

Data2Seq，作为输入数据（结构化）与输出序列（文本）之间的桥梁，被广泛应用于天气预测、体育报告等场景，如Automated Insights每年能生成超过3亿篇文章。"阿士比亚"项目便是利用Data2Seq驱动业务创新，通过生成产品评论和比较文章，将数据转化为生动的商业内容。

传统NLG（自然语言生成）通过内容规划、句子规划和表面实现的分步方法，受限于信息处理能力。而现代深度学习驱动的Data2Seq模型，正在重塑这一领域，挑战复杂性和评估标准的难题。

智能内容策略：商品推荐理由的新篇章

项目聚焦在商品推荐理由的生成上，包括单件描述和智能清单。单件描述提供简洁的表述，清单则包含10-20个相关商品的详细描述。清单设计要求一致性与多样性，涉及智能素材库与内容生成的结合，以Data2Seq模型为支撑。

智能素材库与内容生成的精进</

智能素材库构建了商品的静态（品牌、款式）与动态（趋势、偏好）信息，知识图谱与统计挖掘的融合提供了丰富数据。内容生成则采用深度学习模型与Pai-Tensorflow平台，同时融入商品卖点设计和知识图谱理解，确保信息准确性和个性化。

为了提升内容流畅性和多样性，项目解决了规划topic的问题，引入了商品与目标文本理解的融合，以及All-Topics模式，增强了模型在选品和卖点选择方面的表现。

模型技术细节</

Data2Seq模型的结构包括Encoder（RNN/CNN与Embedding）和Decoder的注意力机制，通过KID与Value表达，提升模型的泛化能力和减少噪音。此外，动态Data训练策略考虑了流行趋势和预训练模型的优化。

在生成控制方面，通过软硬结合的策略，如Coverage和Intra-temporal attention避免重复，同时利用All-Topics模式和知识图谱确保内容的准确性和相关性。

总结与展望

通过query和user_tag的智能融合，搜索推荐理由和智能清单在实际场景中取得了显著提升。团队在优化训练资源和性能上也取得了突破，但详情页生成的挑战依然存在。机器与人工的协同，标志着达人内容生成门槛的提升。未来，团队将继续深化交流，提升技术实力，共同推动智能内容生成的边界。

智能内容生成技术：</Context-aware NLG与Recurrent Neural Networks
机器翻译技术：</Neural Machine Translation (2015, Google)
文本摘要技术：</Attentive RNNs (2016)、Pointer-Generator Networks与Abstractive Summarization
其他领域应用：</Biographies、Sports News、Chinese Poetry