利用AI加持拍卖市集，分散式训练让脸书缩短模型建立时间

全球社交媒体巨头脸书的拍卖市集（Maketplace）已上线两年，脸书近日公开其背后使用人工智能技术的细节。最近脸书在自家Marketplace上部署了一系列的新功能，除了使用计算机视觉和自然语言处理技术，建立平台的产品索引和内容检索也简化了买家和卖家之间的买卖流程。

脸书官方表示，我们有三分之一的会员使用拍卖功能，Marketplace上面的商品琳琅满目，要快速的管理大量商品销售并非易事，而最能帮上忙的就是目前最火的人工智能技术。

当用户使用Marketplace功能的第一刻起，就与人工智能的功能展开互动了。首先，脸书为网上拍卖平台建立了商品索引，在用户第一次搜寻开始，搜索的结果由内容检索系统推荐，该系统与每个商品的详细索引结合。由于推荐列表上的文字只有价格和商品描述，因此从照片和文字建立列表上下文非常重要。

脸书建构了一个多模式排名系统，其中的子系统包含影像辨识技术平台Lumos和文字理解引擎DeepText，因此在每个商品的索引上包含了图片和文本的多个层次资料。为了对单词序列建立模型，脸书将标题和叙述中的每个单词映射到嵌入（Embedding）中，并输入到“卷积神经网络（Convolutional Neural Network）”中。在连结影像编码器和文字嵌入后，传送到多层感测器中，一起训练并储存成一个完整的产品模型。

另外，为了理解买方活动和商品内容之间的关系，系统还为买方建立一个模型，使用脸书个人档案人口统计资料以及搜寻功能关键字。系统计算两个模型间的相似度作为排名分数，来量化消费者和商品之间的关系。而且使用相同的模型，脸书还能用文字、照片甚至商标来收集资讯，主动侦测和删除违反政策的商品，维护平台商品的品质。

由于线上拍卖平台需要以极快的速度处理百万种商品资讯，这在机器学习系统的设计存在了一些挑战。脸书要为400万种商品训练文字和图像的神经网络模型，而且还要让使用者即时看到建议的相关类别，为了加速这个过程，脸书利用机器的分散式训练，通过复制Worker切分训练资料，并平行化神经网络执行。每个Worker都会定期维护模型的完整副本，并同步模型更新以汇总训练模型。脸书强调，分散式训练方法将训练时间从一星期缩短到了一到两天。

目前，脸书正在测试一项新功能，让用户拍摄身边的物品照片，例如街上看到的雨伞或是朋友使用的耳机，并在Marketplace上搜寻视觉相似的商品。脸书期望未来Marketplace还能推荐相关的搭配产品，例如为沙发推荐一张合适的桌子。