隨著自然語言處理（NLP）領域技術的發展，以“非正則”質檢模式為主、“關鍵詞+正則”模式為輔的方案已成為未來發展趨勢。兩種模式將長期共存，因為它們各有其更擅長做的事情、更適配的場景。

　　在實際應用中，“關鍵詞+正則”作為一種基礎質檢模式，越來越難以滿足企業在質檢效果和效率上的精細化需求。但是，這種模式也有它的優勢：上手快。

　　當企業提出一個新的、此前從未用過的質檢項時，質檢項的標準尚未完全確定，因此可以用“關鍵詞+正則”模式先跑起來，快速進行探索和迭代。其后根據初步探索和迭代的結果，再判斷是否可以升級到基于深度學習技術的“非正則”模式。這是適配“關鍵詞+正則”模式的第一種場景。

　　第二種場景：當一個質檢項命中的目標通話量比較少，只有幾百甚至幾十條，就無法產生足夠的“正例”給機器學習模型進行訓練，只能繼續采用“關鍵詞+正則”模式。這是一種被動場景，也是比較常見的場景。

　　還有一種場景比較特殊：有些質檢項命中的目標通話比較多，原則上可以用來訓練機器學習模型，但是因為“關鍵詞+正則”已經得出不錯的結果，既找得全（術語叫召回率高），又找得準（術語叫準確率高），兩個值都超過90%，那么暫時就不迫切需要升級到“非正則”質檢模式了。比如很多企業需要的正向質檢項——“禮貌問候”，因為可以窮舉出大部分“禮貌問候”的用詞，用“關鍵詞+正則”模式就能得到雙90%的結果。

　　不過，這種場景非常少見。大部分情況下，“關鍵詞+正則”質檢模式相比基于深度學習技術的“非正則”質檢模式，在找全率和找準率上有很大差距。

　　在實際應用中，基于深度學習技術的“非正則”質檢模式（原理細節可參考上一篇文章），可以大幅提升質檢效率，更好地解決企業質檢任務的痛點：傳統“關鍵詞+正則”的模式，很難找得全和找得準目標通話，大大影響工作效率——如果找不全，就意味著會遺漏很多目標通話；如果找不準，就意味著在人工復檢時會浪費大量人力。

　　我們之前分享過實際對比的例子，貸后資產管理領域的基礎質檢項“恐嚇威脅”，采用基于深度學習技術的“非正則”質檢模式找出的違規通話量是“關鍵詞+正則”的9倍。

　　考慮到在實際使用中，質檢項與命中的目標通話量之間的關系也存在“二八法則”——20%的質檢項貢獻了80%的質檢量，所以將質檢量大的少數質檢項升級到“非正則”模式，往往可以大幅提升整個質檢任務的找全率和找準率。這是“非正則”質檢模式的第一種適配場景，也是主要的適配場景。

　　第二種場景：某些質檢項，雖然從某一家企業的角度看，所命中的目標通話量不算大，但是這個質檢項是整個行業中較為成熟的、通用的質檢項，其他企業也都在用，那么就可以采用基于深度學習技術的“非正則”模式進行模型訓練。因為其他企業都可以比較快速的復用或者經過簡單調整之后復用，所以“非正則”模式帶來的收益就更高。比如，消費金融領域的正向質檢項“提示逾期天數”；客服領域的負向質檢項“暴露客戶隱私”等都是各自領域或行業通用的。

　　與“關鍵詞+正則”質檢模式相比，基于深度學習技術的“非正則”模式，不再需要既懂業務又懂正則的稀缺人才編寫規則和迭代規則，只需要普通人快速進行數據標注即可訓練算法模型，而且通常能得到更好的效果。唯一顯著的缺陷就是，如果沒有數千條數據，很難訓練出效果好的模型。

　　當前階段，質檢項應該采取哪種模式，主要取決于該質檢項產生的目標通話量大小——通常數量大，才能快速標注數據、訓練出更好的算法模型，采用“非正則”模式，否則仍需要繼續使用“關鍵詞+正則”模式。

　　其次也要考慮到質檢項的成熟度——太新的、標準尚不明確的質檢項，適合先用“關鍵詞+正則”模式迭代起來，再決定何時升級到基于深度學習技術的“非正則”模式。

　　綜合來看，在實踐中采用“雙模”方案，讓兩種模式各司其職，可以最大程度提升質檢效率。