小猿搜題用到了哪些牛逼技術？

01-15

最近兩天，猿題庫推出的新產品「小猿搜題」在微博上很火，下載測試了一下，識別很准。除了OCR和NLP以外，主要用了哪些技術，以及核心技術門檻、關鍵點都有什麼？

作為利益相關人士，簡單回答一下這個問題。

小猿搜題的核心演算法是OCR和搜索技術，OCR技術主要針對的是一個叫Document Image Analysis 的領域，其實所涉及到的內容和@Express所提到的演算法差不多，簡單來說就是要解決兩個問題：

1. 有價值的信息在哪？（定位）

2. 有價值的信息是什麼？（識別）

對於第1個問題，常用的方法就是分割加版面分析，第二個問題主要是利用Deep learning的方法做識別。對於這兩類方法，學術界已經有大量的研究，但是實際上學術界的工作和實際應用還是有一定的差距，實際應用的場景和case要更為複雜

比方說，一個用戶拍出的照片存在較大的陰影，文字存在一定的模糊，用戶的紙張存在一定的不平整，或者照片是用戶手寫的比較潦草的題目，這些都為系統帶來了不小的挑戰。

所以我們所做的工作相對而言會更加深入複雜，同時也很強調演算法間的配合。

「小猿搜題」主要用到計算機視覺、OCR識別、搜索引擎和NLP等相關知識。

具體技術方面，計算機視覺方面需要用到版面分析、糾偏、去噪、文字定位、切分、增強現實等技術；OCR識別除了採用傳統的OCR技術之外，更多的用到目前如日中天的Deep Learning識別技術，通過採用性能卓越的GPU系統，能夠使得訓練能夠支撐千萬量級的訓練數據，同時線上預測也能快速完成。總體來說，計算機視覺和Deep Learning還是比較有門檻的，需要慢慢積累。識別過程中因為模糊或者其他一些因素導致某些字元無法識別，採用語言模型進行修正是個很不錯的方法。搜索引擎方面則是將識別出來的字元作為query從題庫中找出想要的題目，主要包括倒排索引和排序，這方面最大的坑在排序，採用Learning to Rank等技術也是非常自然之選。

內置了三個SB，隨時隨地在線觀看網路搞比利。

主要還是Deep Learning , 與傳統的OCR技術相比有很大進步。

便捷是便捷，同樣為現在的教育擔憂，畢竟學生的自覺性太低