编者：本文来自携程攻略社区开发总监李健在携程技术中心主办的深度学习Meetup中的主题演讲，介绍了深度学习在攻略社区领域的主要应用。关注携程技术微信公号ctriptech，可获知更多技术分享信息。
携程攻略社区是携程旗下的旅游攻略类社区，致力于为旅行者提供出行指南和资讯服务。依托携程2.5亿用户总量，社区日活跃用户超过500万，并汇集3000万条真实用户的旅行和酒店点评，并有40万篇旅行游记，2000位知名旅行达人。面对数据库中浩如烟海的信息，我们如何能去其糟粕，留其精华？
攻略社区的主要需求
攻略社区的数据比较复杂，包括了多语种，不同篇幅的自然语言处理，如用户评论，长短篇幅的游记，景点官网页面数据；图像数据处理，如用户上传的景点照片等多种应用场景。模型需要在极短的时间内对海量的这些信息进行正确分类。
深度学习及一些经典模型简介
介绍浅层机器学习模型和深度学习模型的异同。从传统的支持向量机(SVM)起始，循序渐进，引出了在今天的分享中扮演了非常重要角色的卷积神经网络模型(CNN)。
从最基本算法角度简单明了地指出了CNN的特点，优势和应用场景。除CNN之外，还有词向量模型(WORD2VEC)，循环神经网络(RNN)，长短期记忆人工神经网络(LSTM)，循环卷积神经网络(RCNN)。
DL在攻略社区应用
在介绍了攻略社区的特殊需求和主流深度学习模型之后，下一步便是如何根据实际情况和模型特点高效满足现有的需求。根据数据类型，应用场景又可分为以下若干部分：
1、在自然语言处理方面，主要运用CNN模型进行语义情感分析，LSTM模型进行地址质量打分，CNN+Highway+LSTM+Attention模型完成指定景点开放时间的抓取和判断。
2、在图像处理方面，运用CNN进行图像分类，识别广告图片，侵权图片和非法图片。以及CNN+LSTM+Attention进行图像中物体检测以及自动生成图片对应的带情感文字描述。
3、在视频领域中，使用RCNN和LSTM模型对视频数据进行自动审核并生成对应文字描述。
4、在数据内容领域中，用模糊神经网络进行目的地和POI信息的多元信息匹配。
未来趋势和关注点
对于携程攻略社区而言，之后的工作目标除了优化现有模型外，还将从自动纠错，知识图谱，虚拟现实和更多更广泛的深度学习模型入手，进一步提高计算效率和准确率，为用户带来更多样化更好的体验。
如需下载PPT，请点击这里：http://techshow.ctrip.com/archives/1090.html
（本文由李赫整理）