优酷在文本搜索系统的基础上，不断探索视频搜索的方案，在多模态输入、多级多模态索引、跨模态检索上做了大量工作，本次分享将揭开优酷多模态图引擎的面纱。
背景
随着智能手机及移动互联网的快速发展，人们接触到的多模态数据不管是数量还是类别都在飞速增长。
优酷作为视频平台，拥有海量OGC、UGC视频内容，而视频内容数据是高维度多模态数据，有标题、简介、评论等文本信息，有视频帧的图像信息，有声音，也有连贯的动作视频片段。传统的基于倒排索引的搜索引擎只适合检索文本信息，对于多媒体内容检索能力不足。
为了让用户更便捷地找到多媒体内容，增加多模态搜索能力，优酷视频搜索团队设计并研发了多级多模态搜索引擎（MMS），可以提供分布式大规模多层级多模态索引能力，低延时跨模态级联检索能力，多层级检索、融合、排序能力。
系统概况
MMS基于阿里平台的Hippo（在线服务调度）、SAP（应用服务框架）等基础设施开发部署，主要在索引结构、检索控制、执行框架、部署等方面做了系统设计和选型。
关键技术
1 分布式多级多模态索引结构设计
每层级独立构建分布式索引，索引类型包括倒排及向量索引。以视频、帧（图片）、人脸为例，索引结构如下：
视频、帧、人脸存在层级关系；同时帧图片及人脸都有表征向量建的向量索引，支持亿级别规模，分10个分片，Top10的召回率90%以上。
2 检索调度
MMS的复杂性在于其在线检索逻辑，即在支持层级及多模态query输入的基础上，如何控制跨层级、跨模态的检索。通过定义标准的跨层级和跨模态准则，根据用户的输入形成在线检索逻辑。
基本的检索流程如下图：
由multi-call进行多层级、多模态扩展查询逻辑，其中关键是多级、跨模态的扩展查询逻辑。
1）跨层级
跨层级的检索由用户输入的层级作为起始检索点，用户想要的输出作为终点作为扩展，系统具有自适应推理能力。
2）跨模态
跨模态检索会有两种形式的解决方案，使用不同场景，索引构建前，不同模态数据做统一表征，映射到统一空间，在线进行向量检索，此处内容表征的占主要，MMS主要解决是在文本、向量间进行跨模态检索。
3 图化执行引擎
复杂检索逻辑及低延迟服务能力要求，需要有高效的执行框架，图化执行引擎具备最大限度并行能力。同时对算子进行抽象，可以更自由编排及复用。
MMS选择Suez图化执行引擎，采用DAG执行引擎+业务逻辑算子的实现方式。
4 通用性算子实现
搜索逻辑中会设计query parser、merge、sort通用逻辑，基于图化执行引擎接口实现通用算子：
1）query parser算子负责解析请求，查询串使用简单文本方式，相对于pb/binary方式，可视化的查询串更加直观，同时查询语法简单且强大。查询串支持查询文本查询，向量查询，或者同时有两者，支持高级语法，可以控制的查询参数粗排精排等；
2）merge融合多层级doc，补全所需要的正排、summary信息；
3）sort是搜索排序逻辑，排序后选取Top N返回；
4）result是结果返回和处理逻辑，基于查询使用文本方式，我们希望结果也是直接可视化，所以在构建结果的时候支持了 json/xml，同时为了兼顾性能，我们也支持 protobuf 的返回格式，同时还加入 snappy/lz4 方式压缩，使返回结果集更小，传输效率更高；为了方便调试，我们加入了调试参数，可以保存聚合调试参数，输出引擎内部的调试内容。
产品应用
1 优酷智能搜索
采用MMS对视频、帧、元素（人物、动作）等多级内容进行索引，召回出视频解构后的信息，可以实现定帧播放，支持用户对于精准视频内容片断的需求。
2 以图搜剧
用户可以通过拍照、上传图片搜索人物及节目、相似画面的视频。输入态丰富为图像，召回系统采用MMS，既具备传统的通过人脸识别后用人名召回节目，又可直接通过图片向量进行召回。
总结&展望
多媒体信息不断丰富，直播、小视频等相关应用增长迅猛，5G移动通信技术的进一步普及，多媒体信息的生产、传播将会持续爆发式增长。人工智能技术日臻成熟，对于多模态内容理解、表征会进一步加强。多模态的人机交互体现会渗透到生活、生产各个环节。多级多模态的检索能力是必须要面临的核心问题。
优酷的多级多模态搜索引擎（MMS）提供了低延迟的跨模态、跨层级搜索能力，支持大规模多模态的索引。在视频分发、视频创作中都有着十分关键的应用场景。MMS技术在更多的智能交互场景也将发挥更广泛的应用场景。
作者介绍：阿里文娱开发专家 崇懿，阿里文娱开发专家 慧善