臉書以人工智慧加持拍賣市集Marketplace，用分散式訓練縮短模型建立時間

臉書的拍賣市集Marketplace上線兩年，今公開其背後使用人工智慧技術的細節。最近臉書在Marketplace上部署了一系列的新功能，除了使用電腦視覺以及自然語言處理，建立平臺的產品索引以及內容檢索外，也簡化了買家和賣家的買賣流程。

臉書Marketplace是近兩年才推出的功能，更是今年才在臺灣上線，官方提到，臉書有三分之一會員使用拍賣功能。Marketplace上面的產品琳琅滿目，要以快速且相關性管理大量產品的銷售並非易事，而最能幫的上忙的就屬目前最熱的人工智慧技術。

使用者在使用Marketplace功能的第一刻起，就與人工智慧功能展開互動了，首先，臉書為線上產品建構了索引，在使用者第一次搜尋開始，搜尋結果由內容檢索系統推薦，該系統與每個產品的詳細索引相結合。由於推薦列表的文字就只有價格和描述，因此從照片和文字建立列表上下文非常重要

臉書建構了一個多模式排名系統，其中的子系統包含圖像理解平臺Lumos和文字理解引擎DeepText，因此每個產品的索引，能包括文本和圖片的多個層次資訊。為了對單詞序列建模，臉書將標題和敘述中的每個單詞映射到嵌入（Embedding）中，並輸入到卷積神經網絡。而圖像的部分則來自預訓練的50層ResNet編碼器。在連結圖像編碼器和文字嵌入後，傳送到多層感測器中，一起訓練並儲存成一個完整的產品模型。

另外，為了理解買方活動和產品內容之間的關係，系統還為買方建立了一個模型。資料使用臉書個人檔案人口統計資料以及搜尋功能關鍵字。系統計算兩個模型間的餘弦相似度作為排名分數，來量化消費者和產品之間的關係。而且使用相同的模型，臉書還能用文字、照片甚至商標來收集資訊，主動偵測和刪除違反政策的產品，維護平臺商品品質。

由於線上拍賣場需要以極快的速度處理數百萬種產品資訊，這在機器學習系統的設計存在一些挑戰。臉書要為400萬種產品訓練文字和圖像的神經網路模型，而且還要讓使用者即時看到建議的相關類別，為了加速這個過程，臉書跨機器的進行分散式訓練，透過跨複製Worker切分訓練資料，並平行化網路執行，每個Worker都會定期維護模型的完整副本，並同步模型更新以訓練匯總模型。臉書提到，分散式訓練方法將訓練時間從一星期縮短到了一到二天。

臉書現在正測試一項新功能，讓使用者拍攝身邊的物品的照片，例如在街上看到的雨傘，或是朋友使用的耳機，並在Marketplace上搜尋視覺相似的產品。臉書期望未來Marketplace還能推薦相搭配的商品，例如為沙發推薦一張適合的桌子。