最终，我们发现通过“语义点”方案能比关键词的方案多找出数倍的不合格、不合规之处，达到召回率(找的全)、准确率(找的准)均在 80% 以上的效果。

　　上下文语义质检的底层逻辑从底层逻辑

　　上看，基于“关键词”的方案是字符级别的，并不关心句子的语义，而基于“语义点”的方案是句子级别的，非常关心句子上下文的逻辑和语义。两者并不在同一个维度。可以想见，未来关键词方案越来越难当大任，而语义点的方案会逐步成为主流。

　　不过，语义点方案也有一个显著的缺点“部署成本高”。为了训练一个语义点的质检项，需要人工标注大量句子，然后训练和调试算法模型。因此，大家并不会立即就把所有质检项切换到“语义点”方案，而是优先把那些最常见的质检项切换到“语义点”方案。

　　总结循环智能在教育、金融、互联网服务等不同行业数十家客户的服务经验，我们发现质检项与违规数的关系也存在“二八法则”——20%的质检项贡献了80%的违规数，所以将最常见质检项升级到“语义点”方案，即可为整个业务带来显著的效果提升。

　　同时，我们也应该了解到，随着自然语言处理领域新技术的突破，从字符级“关键词”方案，向句子级“语义点”方案转换的速度正在加快。过去两年，自然语言处理领域迎来了繁荣时期。Google 发表于 2018 年的 BERT 模型，为行业带来了全新的技术思路，具有里程碑意义。2019年6月，作为 BERT 模型的一种重要的改进方案，XLNet 模型在 20 个标准任务集上超过 BERT，并且在 18 个标准任务集上取得 state of the art 成果，包括机器问答、自然语言推断、情感分析和文档排序等。

　　XLNet 模型由循环智能联合创始人杨植麟博士(第一作者)，与谷歌大脑、卡内基梅隆大学共同推出。该模型具备编码超长序列的能力——简单理解就是可以更好地理解长句子。2019年末，XLNet 被人工智能领域的顶级学术会议 NeurIPS 2019 接收为 Oral 报告论文(占比 0.5%)。同时，XLNet 也入选了权威的中国人工智能学会《2019人工智能发展报告》，被称为 BERT 之后重要的进展之一。

　　循环智能(Recurrent AI)正是基于原创的、世界前沿的 XLNet 模型，在智能质检产品中的加速向“语义点”方案转换，取得远超传统方案的效果。过去一年，我们的智能质检系统获得多家金融、教育、互联网服务领域赢得多家标杆客户的商业订单，包括众安保险、玖富、CBC、华道、你我贷、人人贷、新东方在线、猎聘等。> 下篇预告下一篇关于智能质检的文章，我们将向大家介绍，在不同的业务场景下，关键词方案如何与语义点方案高效搭配使用，大幅提升质检效率。