自然语言处理技术在各行业有着广泛的应用，然而长久以来，其落地并不是一帆风顺的。
针对这些棘手的问题，百度深耕产业界，选取NLP领域三大高频场景——检索、问答、情感分析，推出面向真实应用场景的系统功能，覆盖金融、电商零售、文娱、旅游、房地产、生活服务等多个行业，等均已基于相关方案成功完成业务上线。
语义检索系统
检索系统存在于人们日常使用的很多产品中，比如商品搜索、学术文献检索、通用搜索引擎等。传统方法匹配能力有限，只能捕捉字面匹配，而语义检索能够捕捉深层语义信息，达到更精准、更广泛地召回相似结果的目的。
图：基于字面的稀疏向量检索 vs 基于语义的稠密向量检索
PaddleNLP本次推出语义检索系统，流程图如下，其中左侧为召回环节，核心是语义向量抽取模型；右侧是排序环节，核心是排序模型。
图：PaddleNLP Neural Search语义检索系统流程图
具备三大亮点：
- 低门槛：数据 代码 模型全部开源，无需标注数据也能够轻松构建起检索系统，并且提供训练、预测、近似最近邻（ANN）搜索一站式能力。
- 精度高：结合业界前沿模型和自有创新思路，推出适用多种数据情况、灵活的技术方案，精度超高。
表：不同技术方案下的Recall@K指标
- 性能好：与开源向量数据库Milvus打通，结合Paddle Inference，实现高性能建库，并在千万级数据中做到毫秒级快速查询。
图：文献检索示例
前往GitHub获取开源代码和模型：
https://github.com/PaddlePaddle/PaddleNLP/tree/develop/applications/neural_search
预训练时代的端到端问答 - RocketQA
问答系统是信息检索系统的一种高级形式，它能用准确、简洁的自然语言回答用户提出的问题，问答系统广泛应用于搜索引擎、智能设备、智能客服等产品中。
图：问答系统应用示例
传统的问答系统通常由多个模块级联组成，而在预训练时代我们可以用一个端到端模型代替传统的复杂系统，实现更好的效果。然而，研发端到端问答模型需要大量的计算和数据资源，为了使更多开发者能方便地获取最先进的问答技术，我们推出了RocketQA开发工具，有三大亮点：
- 领先：提供国际领先的端到端问答技术-RocketQA，效果远超传统问答系统，与国际知名公司的技术方案相比也有一定优势。
- 中文：开源首个中文端到端问答模型，该模型基于知识增强的预训练模型ERNIE和百万量级的人工标注数据集DuReader训练得到，效果优异。
- 易用：提供11种预置模型、2种安装方式和极简的开发接口，基于神经搜索框架JINA和近似近邻检索库FAISS，2行命令即可搭建自己的问答系统。
前往GitHub获取开源代码和模型：
https://github.com/PaddlePaddle/RocketQA
情感分析系统
情感分析旨在对带有情感色彩的主观性文本进行分析、处理、归纳和推理，其广泛应用于消费决策、舆情分析、个性化推荐等领域，具有很高的商业价值。
依托百度领先的情感分析技术，食行生鲜自动生成菜品评论标签辅助用户购买，并指导运营采购部门调整选品和促销策略；房天下向购房者和开发商直观展示楼盘的用户口碑情况，并对好评楼盘置顶推荐；国美搭建服务智能化评分系统，客服运营成本减少40%，负面反馈处理率100%。
为了降低技术门槛，方便开发者共享效果领先的情感分析技术，PaddleNLP本次开源的情感分析系统，具备三大亮点：
- 覆盖任务全：集成句子级情感分类、评论观点抽取、属性级情感分类等多种情感分析能力，并开源模型，且打通模型训练、评估、预测部署全流程。
图：PaddleNLP Sentiment Analysis核心能力展示
- 效果领先：集成百度研发的基于情感知识增强的预训练模型SKEP，为各类情感分析任务提供统一且强大的情感语义表示能力。
- 预测性能强：针对预训练模型预测效率低的问题，开源小模型PP-MiniLM，配套裁剪、量化优化策略，预测性能提速900%！
