案例來源：@位元組跳動技術團隊

0. 背景：知乎、悟空問答中，使用者的回答配上美女、風景圖，能大大提高點選率和點贊率，這樣對正常回答的內容不公平，影響排序質量。需要找到一種方法，識別圖文不符的內容，降低其排序權重。

1. 傳統方法：

  1）色情圖片識別

  2）OCR技術：從圖片中識別文字，並與內容正文計算相似度

  3）影象分類：通過影象分類技術，得到影象的分類，然後與文章所在類別進行比較。缺點是現有影象分類的體系和網際網路內容的分類體系不一致（典型的影象分類標籤包括：猴子、貓、人物等；而文字內容的分類標籤的例子包括：歷史、財經、股票、網際網路等），導致效果很差

2. 基於影象搜尋引擎的圖文無關識別方法-思路：

  1）給定圖片G和文字W，將G上傳到影象搜尋引擎進行檢索

  2）提取前K個來源的title

  3）將title分詞，合併得到圖片的描述M

  4）計算M和W的相關性，得到一個打分S

  5）如果打分S低於一個閾值，則認為圖文無關

3. 基於影象搜尋引擎的圖文無關識別方法-相似度計算：

  1）標註一批圖文內容（圖文相符/圖文不符）：具有高分享量的回答，以及高評級作者寫的回答，配圖都比較相關；選擇這一部分回答並去掉首尾兩張圖作為正樣本；這些圖隨機匹配一個回答作為負樣本

  2）以GBDT作為分類器，訓練分類模型。根據模型的輸出值作為相似度打分

  3）特徵工程如下：

    a. 命中關鍵詞個數

    b. 關鍵詞中名詞個數

    c. IDF

    e. 同義詞命中個數

    f. 其它