恶意推广无处躲，阿里妈妈识别准确率这么高

日前，阿里巴巴旗下广告交易平台阿里妈妈图像团队的OCR(图中文字识别)技术刷新了ICDAR Robust Reading竞赛数据集的全球好成绩，并大幅超越第二名。

Robust Reading竞赛是当前OCR技术领域全球影响力的比赛。这也是继阿里巴巴图像搜索人物华先胜获得ACM(美国计算机协会)“杰出科学家”称号之后，阿里的图像识别技术再一次登上国际顶尖舞台。

借助这一的OCR技术，阿里妈妈图像团队能够以95%的超高准确率识别图中违规文字信息，有效过滤商家恶意推广，维护消费者权益。2015年，阿里妈妈累计屏蔽了4600万条恶意推广。

OCR是计算机视觉领域的经典问题，长久以来，一直受到学术界和工业界的持续关注。在工业界，Google、Microsoft、Amazon等大型互联网公司，以及商汤科技、旷视科技(拥有Face++、Image++)等计算机视觉技术创业公司，都在OCR技术上耕耘多年。随着技术不断成熟，OCR也开始在互联网及其他行业逐步上线使用。

据阿里妈妈定向算法技术负责人盖坤介绍，在阿里巴巴平台上营销创意、商品等均是以图片形式展示，图像技术是理解这些信息的重要手段。同时，也有不良商家在图片中内嵌一些违规的信息达到其恶意推广的目的，图片内文字违规是比例相当大的一类，而传统监控手段多以人工肉眼来审核，费时费力，尤其是随着图片数量越来越大，这几乎已成为不可完成的任务。

针对这一强烈需求，从2014年开始，阿里妈妈图像团队开始重点攻坚OCR技术，通过机器视觉的方式从图片中识别出文字，从而鉴别出违规的文案信息。

对恶意推广的定义，盖坤表示，一方面依据国家相关法律法规，对于违禁品、色情信息、封建迷信、假冒伪劣、减肥丰胸、夸大虚假等违规类型进行不同程度的处罚和管理，另一方面在法规之外平台有着更高要求，对损害消费者利益或进行不正当竞争的推广类型积极尝试进行管控。其中，与消费者关系为密切的假冒伪劣单项违规类型，被阿里妈妈作为重点审查对象。

相对其他限定场景OCR应用相比，阿里妈妈要处理的创意图片和商品图片上的文字字体、色彩更加多样，文字布局更加灵活，背景包括各种商品、布景或自然场景，蕴含各种复杂纹理，给识别问题带来了更大的挑战。

盖坤介绍，在技术路线上，相比于传统方法，抛弃了图像预处理、字符分割等流程，采用了多个深度神经网络和语言模型相结合的方法来组成完整的OCR系统。针对复杂的场景信息，将LSTM(长短时记忆)技术成功应用到建模中去，大大提高识别的准确率。

据悉，现在基于OCR文字识别实时审核已覆盖整个阿里妈妈业务，每天处理图片近千万张，自动反馈疑似违规图片准确率达95%以上;同时将图文审核风险发现时间从“天”降低到“秒”级。数据显示，2015年阿里妈妈累计屏蔽了4600万条恶意推广，有效净化了互联网营销环境。

除OCR过滤恶意推广以外，计算机视觉技术在阿里巴巴集团内部已经获得广泛使用，比如手淘的“拍立淘”产品，通过手机拍照即可搜索相似商品，2015年双 11当天，千万消费者使用了“拍立淘”功能，创造了超过数千万元的销售额。另外，在商品图片版权保护、鉴黄等场景也都引入了计算机视觉技术。