分享嘉宾：崇懿 阿里文娱 技术专家

编辑整理：李沛欣

内容来源：阿里文娱技术

出品平台：DataFunTalk

导读： 多级多模态引擎是为推荐搜索定制的专业化的召回引擎。优酷视频搜索在基础的文本Query搜索系统的基础上，不断探索视频搜索的特色，在多模态输入、多级多模态索引、跨模态检索上积累很多实践经验，在C端及B端都有线上应用。创新的脚步在持续，多模态图引擎已经研发完成即将应用于线上，此次分享也会揭开面纱。本次分享题目为优酷的视频元素内容召回系统，主要介绍：

  • 搜索多模态输入和人脸搜
  • 多级多模态引擎及应用
  • 多模态图引擎揭秘

搜索多模态输入和人脸搜

1. 优酷视频搜索业务介绍

先简单说一下优酷视频搜索的业务，优酷的搜索业务涵盖 APP、WEB、大屏、OTT、 PC的客户端，还有支付宝、淘宝等应用的小程序，都有优酷搜索的功能。搜索的结果页会根据用户的意图和搜索结果呈现出不同的组织形式。

用户意图以节目为主，会呈现节目的搜索结果页；用户也会搜索宽泛意图的Query，有聚合类型的结果页；会有UCG视频的结果；还会有明星；组织形式会非常多，会根据用户的意图，搜索结果的内容，做不同的呈现。

2. 用户交互形态

优酷视频搜索业务有很多用户交互的形态，在APP端大家能看到的就是常用的文本搜索，在大屏端，常用的有首字母搜索的能力，这都属于文本输入的搜索；APP端、大屏的OTT端搜索，还有语音搜索的能力，通过对话语音的录入，获得搜索结果。

现在在大屏端已经有了多轮对话的能力。在右侧的例子里面可以展现出来，如果用户通过语音录入：“我想看刘德华的电影”，就会给出搜索结果，如果继续去讲说"和周润发一起演的电影"，这就会在现有的结果基础上再进行筛选。多轮对话的搜索能力，在现有大屏场景上是非常好的体验。当然现在还在设想多模态的搜索，它可以拍摄图像、录入视频，通过各种多模态的输入能力，触发搜索。

3. 视频多级元素内容

介绍一下什么叫做多级的元素内容。简单的去定义一下视频九级的分类等级。

  • 宏观：频道、节目
  • 微观：帧的粒度、帧的区域、对象、由帧和镜头组成的叙事场景、描述的故事等

会把整个的视频分成多个等级。基于现在的AI能力的理解，会把不同的对象，镜头，动作等，都能识别处理出来，做为整个视频召回的基础能力。

4. 搜索多模态输入

大家先看关于多模态输入的视频，这是比较有科技感的宣传片。

大家可以看到，在整个的宣传片里面，可以根据录入的视频和图像，识别出来里面的人物，可能和人物相关的作品，与人物有关的新闻的内容。用手机作为载体，输入视频图像等不同模态。

5. 人脸搜

上面这张PPT里面展现的是阿里文娱内部在做的人脸搜的产品，它通过手机拍照，从相册里面去选择图片，来搜索和明星相似的人脸。

介绍一下人脸搜的整个系统结构。它作为搜索的多模态输入的基本形态，左侧图展现的是几个模块，首先是有输入端，APP提供拍照、从相册里选择图片、上传等功能。在端侧会先做图像的初步压缩和裁剪。它的图片不是通过直接请求到后端，先会走图片上传流程。

阿里通用的就是AUS服务，把图片上传到服务端，返回 URL， APP端会把 URL及其他参数请求搜索服务。通过在线图片计算服务，首先对上传的图片进行包括人脸识别、人脸向量化等图片处理。拿到图片的特征后，到引擎里去做检索，这里会包含向量的检索，识别出来人物的名称做倒排的检索等。

现在APP端有很多开源的端智能能力，阿里最近开源的MMN框架，在端侧就可以做关键点的识别、分类预测等。这个框架会提高图像处理能力，实现比较好的交互。比如拍海报，上面的人物就可以自动把人脸框出来，并且给出人的名字，类似的能力直接在端上就可以实现。

这是整个的多模态输入的基础框架，在语音的场景，视频录入的场景，都可以沿用这套基础框架进行支持。

多级多模态引擎及应用

下面介绍一下多级多模态引擎的设计。

1. 索引结构

索引结构分为三个等级，以视频帧里面的人脸为例，每个视频的索引等级都是单独做分布式的索引，整个索引设计中不仅包括向量的索引结构，还包括倒排的索引结构等。

2. 跨层级跨模态检索

跨层级检索：

先讲一下跨层级的检索，一个比较简单的流程是：根据用户输入的层级，比如说用户要检索人脸，最终想拿到包含人脸的视频，用户输入的是一张图片，最终返回结果会是视频的片段。在这套引擎里面会有系统自适应的推理能力，给出整个检索路径。

跨模态检索：

另外就是跨模态的检索，主要支持文本和向量间的跨模态。刚才有提到例子通过人脸的向量以及对图片的理解，人脸识别就可以给出来人的名字。可以根据向量和人的名字一起检索，做到从人脸向量到名字文本的跨模态检索的能力。

整个执行流程，右侧图可以看出来它是图的结构，是一个DAG的结构，整个引擎底层执行框架的设计，是DAG执行框架，在这上面是希望是能做到更高的并行，另外可以更提供更好的扩展性。

最关键的两个步骤：

  • 多层级的Merge：系统自动的做层级之间的检索来组成整个检索路径；
  • 在最上层做多层级排序：根据召回的所有层级，以及关联的层级信息，做最终的排序。

3. 多级多模态引擎的应用

分享一下现在在线应用上的几个例子，对在2C端，大家在优酷APP中就可以体验，比如搜易烊千玺跳舞，就会有优酷智能搜索的结果，这里面是合集。点进去可以看到包含有易烊千玺跳舞片段的视频，而且检索会把易烊千玺跳舞的时间点都给得出来。

除了2C端的智能搜索的应用，在2B端也做过很做了很多尝试：

  • 搜镜头。因为对于内容的创作生产，寻找素材是很需要智能搜索，所以在2B端，你可以搜类似《长安十二时辰》相关的片段，他对应的就会给出很短的视频片断，基于对视屏内容的解构，给出来的镜头。通过多级多模态检索引擎，就可以检索出来。
  • 搜台词。会给出相关的出现过类似台词的视频，这些台词都是出现在不同剧里的，也是通过多级多模态引擎去检索，检索的是某剧包含该台词的视频片段。

这就是整个的多模态引擎的设计和应用。

多模态图引擎

下面也分享一下最近在思考和研发的多模态图引擎。

1. 搜索知识图谱的应用

大家对知识图谱都比较熟悉，尤其是做搜索的或者常用搜索引擎的同学。在搜索引擎里面你可以去搜索问题。比如说：邓超的妻子是谁，在百度和Google都会给出对应的卡片，直接就能得到正确答案，并且给出图像的介绍。比如说搜索《重生》电视剧的演员是谁，《重生》有多少集，这些问题都可以直接回答出来，这些就是知识图谱的应用。

2. 文娱行业知识图谱的构建

在对于刚才提到的多模态的信息，是视频行业所涵盖的知识，就会构建出文娱行业的知识图谱。

从宏观讲，视频节目之间都有关联，它可能是与某制作公司或者某大的IP相关联同时刚才也有提到，在微观层面它会有场景、事件，还会有里面动作、表情和物体的识别。经过系统的构建，就会生成文娱行业的知识图谱。从这一点做更深入的思考，在原有的引擎上提出，要建设多模态的图引擎。

3. 图引擎

简单的跟大家介绍一下图引擎。在Apache里面有个顶级的开源项目Tinkerpop，它给出了图数据库、图分析系统的标准定义，还给出了通用图数据语言Gremlin。

现在的图数据库的应用还是非常广泛的，阿里有开源的图数据库GDB，百度、头条都有推出一些相关的图数据库。

这张图展现的是图数据库的排行。大家都知道Neo4j，JanusGraph、Titan等图数据库。在知识图谱的应用上，包括搜索、社交领域等都会有比较丰富的应用。

而Gremlin所支持图遍历的能力，其实是一种动态召回的能力。把基本的图遍历过程分成了filter，map等5种类型，基本上涵盖了所有需要的查询过程。

4. 多模态图遍历应用场景

在刚才讲到从多模态的输入到对于多模态引擎的设计，这基于我们对于视频行业的理解和思考。刚才提到了整个的文娱行业会有比较丰富的知识图谱，需要用图引擎去做检索服务。另外必须要打造的功能点是有多模态的召回能力，这张图里面就很好展现了应用场景。

例如，用户搜索：“和邓超老婆长得像的女演员出演的电视剧”，整个图里面展现的是图遍历的过程，下面是对应的Gremlin语句。

通过邓超搜索到人，根据知识关系，可以知道他的老婆是孙俪。同时怎么去描述它长得像？

这要用到多模态向量检索，通过孙俪的人脸向量的表征，进行向量检索，可能会搜出"蒋勤勤"或者"刘涛"，直接给出人物的实体 ( entity )，再推理出他们出演的电影作品或电视剧，给出最终的结果。

在此过程中，在图遍历的基础能力上，又扩展了多模态的检索能力，从中间增加了VectorQuery的能力。因为在视频行业里面，除了刚才提到的整个知识库以外，多媒体内容需要做表征、检索，这就成为图引擎应用于文娱行业的创新点。

5. 多模态图引擎的索引设计

图引擎一般基于顶点、边去构建整个图谱，通过顶点和边的构建来支持图的多轮检索能力。分布式的索引，在Searcher上，会根据主键去做分片，分片上会包含KV和KKV的索引结构，以及倒排和向量的索引结构。这些会更加方便、高效地支持图遍历能力。

6. 图遍历支持模型服务

在视频元素内容召回能力上，图遍历支持模型服务是强需求。因为在整个召回过程中会做图片的表征，进行实体的打分、排序，在图遍历过程中提供 model的step，step可以调用本地的模型，或者是通过远程访问调用深度模型、需要GPU跑的模型，再返回到检索�