微信（WeChat）作为 12 亿+用户交流的平台，覆盖全球各个地区、不同语言的用户，而微信翻译作为桥梁为用户间的跨语言信息交流提供了便利。目前微信翻译每天为千万用户提供数亿次的翻译服务，且团队技术持续钻研，累计发表数十篇顶会论文、夺得多项 WMT 冠军。随着翻译质量的提升，微信翻译的应用形态从文本逐步扩展到图片、语音、网页、文档、视频等众多场景。本文以微信图片翻译为例介绍近一年的技术优化。

如何更快地、更稳定地在有限资源下提供高质量的语音合成技术是有道AI团队的目标和关注的重点。

We reevaluated our existing product categorization model to ensure we’re understanding what our merchants are selling, to build the best products that help power their sales.

随着多模态和深度召回模型的演进，采用多模态和语义召回模型解决content-base问题成为众多推荐平台的利器之一。

本文结合美团到餐B/C端业务场景，探索细粒度情感分析技术在用户评价挖掘方向的应用实践。

搜索广告在优化流量变现效率等商业指标之外，也需要重点优化用户体验，降低不相关广告对用户体验的损害，这样才能保证平台生态的健康发展。

本文聚焦预训练模型在信息检索中第一阶段检索（召回阶段）的应用，并对最近几年的相关研究进行系统的梳理和回顾。

58同城APP是一个生活服务信息平台，用户可以在平台上寻找自己所需要的服务，商家可以在平台上展示自己可提供的服务。58本地服务主要为用户提供生活中的基础服务信息，58本地服务推荐场景主要包括大类页推荐、猜你喜欢和猜你想找等，本文主要介绍猜你想找的技术迭代。58本地服务大部分的流量来自于搜索入口，但是在搜索落地页会有空白需要补充情况，如图1所示，为了提高这部分流量的转化，我们在用户搜索少无结果的情况下增加了猜你想找模块，旨在解决用户搜索少无结果的推荐问题，提升用户体验，降低少无结果率，并且达到提升58本地服务用户转化的目的。

58招聘过去的搜索召回逻辑主要基于类目体系，用户在输入关键词后，会跳转关键词对应的二级类，召回该二级类下的帖子。严格的类目限制导致很多符合的信息无法被召回，商业帖子填充率较低。同时，在58招聘蓝领为主的业务特点下，B&C端用户本身均有跨类需求，严格分类体系反而成为阻碍，堵不如疏。

因此，我们重构了搜索场景的检索逻辑，打破类目限制，展示全职招聘一级类下相关的信息。同时，将用户的搜索意图贯穿召回、排序等全检索环节策略，更好的匹配用户需求。

本文主要介绍在58商业招聘搜索打破类目限制的条件下，智能召回策略体系的搭建。58招聘搜索query文本特点比较突出，多为短文本，结构化程度较高，集中在职位词、工作性质词、工作场所等类型上，而在帖子侧，描述中存在大量UGC内容，其多样的文本表述方式对召回产生较大的干扰。在这样的特点下，我们把对C端query的分析和B端帖子doc的理解作为搜索策略优化的切入点，召回更多符合用户意图的帖子，并在此基础上，各个环节能力相互贯通，搭建了覆盖全检索流程的搜索策略体系。

在58同城生活服务平台上，当用户有保洁、搬家、维修等需求时会通过微聊以文本对话的方式联系58平台上的商家，而商家由于工作繁忙往往无法及时回复用户，造成商机流失 。为了解决该问题，黄页业务线在2020年初推出了微聊代运营模式——构建一支人工客服团队，由人工客服来代替商家接待用户，当人工客服和用户沟通完形成有效商机信息（联系方式、价格、 地点 等）后再转交给商家，以帮助商家提高获客效率。在这样的场景下，我们基于58同城AI Lab灵犀智能语音语义平台的人机对话能力打造了黄页商家智能聊天助手，当用户来联系商家时，先由机器人接待，若机器人能够聊出商机则结束对话，若不能则转接人工客服，这种人机协作的方式可以大大节省客服人力。机器人和人工客服的能力由商机转化率指标来评价，即聊出商机的会话数比接待会话数，当前机器人的能力达到了人工客服的95%水平，共计节省客服人力数十名，黄页商家智能聊天助手已经进行了商业化，以"微聊管家"命名随会员套餐一起打包售卖给商家，折合贡献收入每月达到数百万元。

黄页商家智能聊天助手通过坐席分流、智能问答、商机引导、商机挖掘等功能来提升对话机器人的商机转化率，提升C端用户的对话体验和B端商家的使用体验，本文主要分享我们如何深度优化黄页各类目的智能问答，多轮对话和商机质量识别等，来提升C端用户对话体验和提升B端商家的获客体验，最后做总结和展望。

基于问答系统，以自动智能回复或推荐回复的方式，来帮助商家提升回答用户问题的效率，同时更快地解决用户问题。

本文从背景、技术、问题等方向讲述图像检索在高德地图POI数据生产中的应用。

Neighbors all over the world turn to Nextdoor and look for local information through explicit queries in the search bar.

Neighbors use the search bar to connect with other neighbors, find business recommendations, information about local non-profits, and find out what is happening around them.

Sometimes the intent of our users is very clear. When neighbors search for “plumber recommendations” we know they want to find out what experiences neighbors have had with plumbing companies nearby.

However, when neighbors search for “home decor,” neighbors may think about hiring a company that specializes in home decor or they may be looking for ideas about home decoration.

Along the same lines, when someone searches for “barbecue” they could be looking to buy a barbecue grill from the neighbors, or they could be trying to find a nearby restaurant that serves barbecue.

We use these examples to portray the complexity of the intent our neighbors express. The Nextdoor Search Team is a small team that tackles serving neighbors with local and accurate search results. This work is at the intersection of Information Retrieval, Machine Learning, building scalable infrastructure, and classical software engineering.

“知识图谱”的概念在提出之初特指Google公司为了支撑其语义搜索而建立的知识库。随着知识图谱的不断发展，知识图谱已经成为大数据时代最重要的知识表示形式。

本文由阿里巴巴达摩院阿里小蜜团队带来，介绍其在知识图谱方面一年多以来的一些工作进展。主要内容包括：① 知识图谱的简介；② 领域知识图谱的构建及应用；③ 多模态知识图谱的构建及应用；④ Takeaways (心得领悟)。

本文介绍了基于不同策略的query词权重算法，并制定了符合丁香园医疗搜索场景的算法方案。