美团大脑百亿级知识图谱的构建及应用进展

分享嘉宾：张鸿志博士 美团 算法专家

编辑整理：廖媛媛 美的集团

出品平台：DataFunTalk

导读： 美团作为中国最大的在线本地生活服务平台，连接着数亿用户和数千万商户，其背后蕴含着丰富的与日常生活相关的知识。美团知识图谱团队从2018年开始着力于图谱构建和利用知识图谱赋能业务，改善用户体验。具体来说，“美团大脑”是通过对美团业务中千万数量级的商家、十亿级别的商品和菜品、数十亿的用户评论和百万级别的场景进行深入的理解来构建用户、商户、商品和场景之间的知识关联，进而形成的生活服务领域的知识大脑。目前，“美团大脑”已经覆盖了数十亿实体、数百亿的三元组，在餐饮、外卖、酒店、到综等领域验证了知识图谱的有效性。今天我们介绍美团大脑中生活服务知识图谱的构建及应用，主要围绕以下3个方面展开：

--

“美团大脑”是什么？

以下是“美团大脑”构建的整体RoadMap，最先是2018年开始餐饮知识图谱构建，对美团丰富的结构化数据和用户行为数据进行初步挖掘，并在一些重要的数据维度上进行深入挖掘，比如说对到餐的用户评论进行情感分析。2019年，以标签图谱为代表，重点对非结构化的用户评论进行深入挖掘。2020年以后，开始结合各领域特点，逐个领域展开深度数据挖掘和建设，包括商品、美食、酒旅和到综和cross图谱等。

--

在搜索中，通常用户需要将其意图抽象为搜索引擎能够支持的一系列精搜关键词。标签知识图谱则是通过“标签”来承载用户需求，从而提升用户搜索体验。例如，通过标签知识图谱，用户可直接搜索“带孩子”或者“情侣约会”，就可返回合适的商户/内容供给。从信息增益角度来说，用户评论这种非结构化文本蕴含了大量的知识（比如某个商户适合的场景、人群、环境等），通过对非结构化数据的挖掘实现信息增益。该团队以生活服务领域的海量评论数据作为主要知识来源，通过标签挖掘、标签间关系挖掘以及标签-商户关联等关键技术，自下而上梳理用户需求，场景及主要关注点完成图谱构建。

标签知识图谱构建分为以下四个部分：知识抽取、关系挖掘、图谱打标和图谱应用。

① 知识抽取

标签挖掘采用简单的序列标注架构，包括Single span标签挖掘和跳字标签挖掘，此外还会结合语义判别或者上下文判别，采用远监督学习+结果投票方式获取更精准的标签。

② 关系挖掘

同义词挖掘：同义词挖掘被定义为给定包含N个词的池子，M个业务标签词，查找M中每个词在N中的同义词。现有的同义词挖掘方法包括搜索日志挖掘、百科数据抽取、基于规则的相似度计算等，缺乏一定的通用性。当前我们的目标是寻找通用性强，可广泛应用到大规模数据集的标签同义词挖掘方法。

以下是作者给出的同义词挖掘的具体方案，首先将离线标签池或者线上查询标签进行向量表示获取向量索引，再进行向量哈希召回，进一步生成该标签的TopN的同义词对候选，最后使用同义词判别模型。该方案的优势在于降低了计算复杂度，提升了运算效率；对比倒排索引候选生成，可召回字面无overlap的同义词，准确率高，参数控制简单。

对于有标注数据，主流的标签词嵌入表示方法有word2vec、BERT等。word2vec方法实现较为简单，词向量取均值，忽略了词的顺序；BERT通过预训练过程中能捕捉到更为丰富的语义表示，但是直接取[CLS]标志位向量，其效果与word2vec相当。Sentence-Bert对于Bert模型做了相应的改进，通过双塔的预训练模型分别获取标签tagA和tagB表征向量，然后通过余弦相似性度量这两个向量的相似性，由此获取两个标签的语义相似性。

对于无标注数据来说，可以通过对比学习的方法获取句子的表示。如图所示，Bert原始模型对于不同相似度的句子的向量相似度都很高，经过对比学习的调整之后，向量的相似度能够较好地体现出文本相似度。

对比学习模型设计：首先给定一个sentence，对这个样本做扰动产生样本pair，常规来说，在embedding层加上Adversarial Attack、在词汇级别做Shuffling或者丢掉一些词等构成pair；在训练的过程中，最大化batch内同一样本的相似度，最小化batch内其他样本的相似度。最终结果显示，无监督学习在一定程度上能达到监督学习的效果，同时无监督学习+监督学习相对于监督学习效果有显著提升。

同义词判别模型设计：将两个标签词拼接到Bert模型中，通过多层语义交互获取标签。

标签上下位挖掘：词汇包含关系是最重要的上下位关系挖掘来源，此外也可通过结合语义或统计的挖掘方法。但当前的难点是上下位的标准较难统一，通常需要结合领域需求，对算法挖掘结果进行修正。

③ 图谱打标：如何构建标签和商户供给的关联关系？

给定一个标签集合，通过标签及其同义词在商户UGC/团单里出现的频率，卡一个阈值从而获取候选tag-POI。这样会出现一个问题是，即使是频率很高但不一定有关联，因此需要通过一个商户打标判别模块去过滤bad case。

商户打标考虑标签与商户、用户评论、商户Taxonomy等三个层次的信息。具体来讲，标签-商户粒度，将标签与商户信息（商户名、商户三级类目、商户top标签）做拼接输入到Bert模型中做判别。

微观的用户评论粒度，判断每一个标签与提到该标签的评论（称为evidence）之间是正面、负面、不相关还是不确定的关系，因此可当作四分类的判别模型。我们有两种方案可选择，第一种是基于多任务学习的方法， 该方法的缺点在于新增标签成本较高，比如新增一个标签，必须为该标签新增一些训练数据。笔者最终采用的是基于语义交互的判别模型，将标签作为参数输入，使该模型能够基于语义判别，从而支持动态新增标签。

基于语义交互的判别模型，首先做向量表示，然后是交互，最终聚合比较结果，该方法的计算速度较快，而基于BERT的方法，计算量大但准确率较高。我们在准确率和速度上取balance，例如当POI有30多条的evidence，倾向于使用轻量级的方式；如果POI只有几条evidence，可以采用准确率较高的方式进行判别。

从宏观角度，主要看标签和类目是否匹配，主要有三种关系：一定不会，可能会，一定会。一般通过商户层关联结果进行投票结果，同时会增加一些规则，对于准确率要求较高时，可进行人工review。

④ 图谱应用：所挖掘数据的直接应用或者知识向量表示应用

在商户知识问答相关的场景，我们基于商户打标结果以及标签对应的evidence回答用户问题。

首先识别用户query中的标签并映射为id，然后通过搜索召回或者排序层透传给索引层，从而召回出有打标结果的商户，并展示给C端用户。A/B实验表明，用户的长尾需求搜索体验得到显著提升。此外，也在酒店搜索领域做了一些上线实验，通过同义词映射等补充召回手段，搜索结果有明显改善。

主要采用GNN模型实现，在构图中构建了两种边，Query-POI点击行为和Tag-POI关联信息；采用Graph Sage进行图学习，学习的目标是判断Tag和POI是否有关联关系或者Query和POI是否点击关系，进一步依据关联强度进行采样。上线后结果显示，在仅利用Query-POI信息构图时，线上无收益，在引入Tag-POI关联信息后线上效果得到显著提升。这可能是因为排序模型依赖于Query-POI点击行为信息去学习，引入Graph Sage学习相当于换了一种学习的方式，信息增益相对较少；引入Tag-POI信息相当于引入了新的知识信息，所以会带来显著提升。

此外，仅接入Query-POI向量相似度线上效果提升不佳，将Query和POI向量接入后效果得到显著提升。这可能是因为搜索的特征维度较高，容易忽略掉向量相似度特征，因此将Query和POI向量拼接进去后提升了特征维度。

该任务通过当前已知的Item去预测用户点击的Masked Item。比如说获取Item的上下文表征的时候，将相关的Attribute信息也进行向量表征，从而去判断Item是否有Attribute信息。

此外，还可以做Masked Item Attribute 预测，从而将标签的知识图谱信息融入到序列推荐任务中去。实验结果表明，引入知识信息后的准确率在不同的数据集上均有数量级的提升。同时，我们也做了线上转化的工作，将Item表征做向量召回；具体来说，基于用户历史上点击过的Item去召回topN相似的Item，从而补充线上推荐结果，在美食列表推荐页有显著提升。

--

菜品知识图谱的构建目标，一方面是构建对菜品的系统理解能力，另一方面是构建较为完备的菜品知识图谱，这里从不同的层次来说明菜品知识图谱的构建策略。

菜名理解

菜名中蕴含着最精准、获取成本最低的菜品信息，同时对菜名的理解也是后续显式知识推理泛化能力的前提。首先是抽取菜名的本质词/主体菜，然后序列标注去识别菜名中的每个成分。针对两种场景设计了不同的模型，对于有分词情况，将分词符号作为特殊符号添加到模型中，第一个模型是识别每个token对应的类型；对于无分词情况，需要先做Span-Trans的任务，然后再复用有分词情况的模块。

菜名理解是一个较为重要的信息来源，但是所蕴含的知识相对有限，从而提出了基于深度学习模型进行初步字符推断，可实现对不同字面表述的泛化处理。但是对需要专业知识的case表现欠佳，偶尔在字面极其匹配时出现case。

从知识内容丰富的文本中挖掘某些菜谱的基础知识，来构建源知识库；然后通过泛化推理去映射到具体SKU中。在食材推理中，比如菜品种有多道红烧肉，统计10道五花肉中有4道是指五花肉，6道是指带皮五花肉，因此肉就转化为带皮五花肉。对应地，佛跳墙有多道菜谱，先通过统计每种食材出现的概率，可以卡一个阈值，然后表明该菜谱的食谱是什么。

多源数据挖掘，基于菜名理解结果构建solid knowledge triple，同时也依赖菜名理解结果泛化规则。该策略主要适用于处理食材、功效、人群等标签。该方法准确率OK，有一定泛化能力，但覆盖率偏低。

业务内有一些比较好用的训练数据，例如1000万商户编辑自洽的店内分类树。基于该数据可产生5亿的 positive pairs 和 30G corpus。在模型训练中，会随机替换掉菜谱分类的 tab/shop，模型判断 tab/shop 是否被替换；50%的概率drop shop name，使得模型仅输入菜名时表现鲁棒。同时，对模型做了实体化改进，将分类标签作为bert的词进行训练，将该方法应用到下游模型中，在10w标注数据下，菜谱上下位/同义词模型准确率提升了18%。

首先使用ReseNet对菜谱进行编，使用Bert模型对菜谱文本信息做编码，通过对比学习loss去学习文本和店菜的匹配信息。这里采用双塔模型，一方面是下游应用较为方便，单塔模型可独立使用，也可inference出菜品的表示并缓存下来；另一方面是内容单纯，暂无交互式建模的必要。训练目标分别是与店菜匹配、与菜名对齐，与Tab对齐。

可基于多模态信息做菜品品类预测或者菜谱信息补全。比如，预测“猪肉白菜”加上了信息将更加直观和准确。基于文本和视图模态信息进行多视图半监督的菜谱属性抽取，以烹饪方式抽取为例，首先通过产生烹饪方法训练样本（红烧肉-红烧）；然后采用CNN模型去训练预测菜谱烹饪方法，指导Bert模型Finetune文本模型或者多模态模型，基于商户/tab/菜品及评论信息预测菜品烹饪方法；最终对两个模型进行投票或者将两个特征拼接做预测。

综上，我们对菜品知识图谱构建进行相应的总结。菜品理解比较适合SKU的初始化；深度学习推理模型和显式推理模型比较适合做同义词、上下位、菜系等；最终是想通过多模态+结构化预训练和推理来解决单模态信息不完整、属性维度多、需要大量标注数据等问题，因此该方法被应用到几乎所有的场景中。

今天的分享就到这里，谢谢大家。

分享嘉宾：

       写这篇文章的起因是看ALBERT的时候，对其中参数因式分解，减少参数的方式不理解，后来通过原码来了解原理。后来想到虽然平时基于bert的nlp任务做的挺多的，但对原理还是一知半解的，所以在此记录。后续有时间的话，将常见的，看过的论文做个总结，不然容易忘记。(attention is all your need,bert,albert,roberta,sentence -bert,simcse,consert,simbert,nezha,ernie,spanbert,gpt,xlnet,tinybert,distillbert)

从图一可以明显看出，bert主要分为三块。embedding层，encoder层，以及pooler层，本章为embedding层的原码分析。

可以看出，输入的input，会先经过tokernizer，会补上cls,sep等特殊字符。然后embedding层会获取句子的token embeddings+segment embeddings+position embeddings作为最终的句子embedding。

1 token embedding:

token embedding有两种初始化方式。如果是训练预训练，随机出初始化一个30522768的lookup table（根据wordpiece算法，英文一共有30522个sub-word就可以代表所有词汇，每个sub-word 768纬）。如果是在预训练模型的基础上finetune,读取预训练模型训练好的lookup table。假设输入的句子经过tokernized长度为16。经过lookup table就是16768维的句子表示。

2 position embedding:

position embedding的lookup table 大小512768，说明bert最长处理长度为512的句子。长于512有几种截断获取的方式。position embedding的生成方式有两种：1 根据公式直接生成 2 根据反向传播计算梯度更新。其中，transformer使用公式直接生成，公式为：

其中，pos指的是这个word在这个句子中的位置；2i指的是embedding词向量的偶数维度，2i+1指的是embedding词向量的奇数维度。为什么这个公式能代表单词在句子中的位置信息呢？因为位置编码基于不同位置添加了正弦波，对于每个维度，波的频率和偏移都有不同。也就是说对于序列中不同位置的单词，对应不同的正余弦波，可以认为他们有相对关系。优点在于减少计算量了，只需要一次初始化不需要后续更新。

其中， bert使用的是根据反向传播计算梯度更新。

3 segment embedding:

bert输入可以为两句话。[cls][seq][seq]。每句话结尾以seq分割。从embedding的大小可以看出，lookup table由两个768组成，对应第一句和第二句。该参数也由训练得到。

4 LN以及dropout:

embeddings = dropout(layernorm(token embeddings+segment embeddings+position embeddings))。Normalization 有很多种，但是它们都有一个共同的目的，那就是把输入转化成均值为 0 方差为1的数据。我们在把数据送入激活函数之前进行normalization(归一化)，因为我们不希望输入数据落在激活函数的饱和区，发生梯度消失的问题，使得我们的模型训练变得困难。这里不使用bn可以去除batch size对模型的影响。

下一篇为bert核心encoder模块的解析。

一，王佳之的家庭之舞——遗弃之伤！何处才能找到慰籍孤独心灵的亲密之爱？

德国心理治疗大师伯特·海灵格（Bert Hellinger） 认为，宇宙间隐藏的规律不但及于万物，也运做在人类的家族系统内，他喜欢用中文把它说成是“道”。 在海灵格看来，人作为社会性的生命，每个人都隶属于某些系统：他会是一个家庭的成员、某个社区的居民、某个组织的一员……，而且他本人就是一个系统，一个身、心各要素组合成的系统。从个体到家庭、家族、部落、民族，这些大大小小的系统相互联系，构成一个完整的社会系统。每个人就是在这样一个社会系统中孕育、出生、成长的。也就是说，每个人的行为与命运，都不可避免地受系统中的成员和系统动力的“影响”与“牵连”。在我们所处的系统当中，家庭是最基本、最重要的一个系统。这与精神分析思想是一致的。海灵格发现，在家庭系统中，有一些隐藏着的、不易被人们意识或觉察到的符合自然的情感动力法则，决定着家庭成员之间的关系，决定着个体的命运。如果我们跟随“系统的动力法则”和家人相处，生命就很和谐，大家都能够快乐和健康的成长；如果我们忽略了它，违背了系统运行的基本法则，我们就会受困扰，这些困扰就是“牵连”。

那么，在王佳之的内心世界里，家庭是一种什么感觉呢？“我的爸爸重男轻女，妈妈去世的时候，爸爸答应要带我去英国念书的”，这样的对话和解释不止一次在剧中出现。我们则可以理解为：在王佳之的感觉和情感中，自己在家庭以及与父亲的情感空间中是不如弟弟重要的，尽管她可能会在意识层面努力去接受这个“重男轻女”的文化现实，但在无意识层面，伴随母亲的去世和父亲的离去，无助、委屈、愤怒、怨恨，油然而生。对于一个在家庭中感到没有被爱被肯定被重视的孩子来讲，必然存在自我价值感的丢失，这是一个成长的难题。她需要爱的补偿和满足，即通过恋爱，寻找到那个可以给予这样的补偿的男人，并把自己交出去，在爱的环抱中完成对自我的“重新养育”。

在接到爸爸已经在英国结婚和因为不能支付学费而不能接她到英国念书的消息后，王佳之流露出的更多是迷茫和悲哀。面对“父亲的抛弃，父亲对母亲承诺的失信和对自己期望的拒绝”，她表现的是平静和淡淡的哀愁。在上海唯一的亲人姨妈也是因为要卖掉佳之父亲留下的房子才能收留她并让她上学。**中的王佳之，谁重视她的存在呢？谁关爱她呢？她如何才能找到安全、温暖、价值、关怀和情感归属呢？

面对这样的情感困境，或许我们就能理解，王佳之为什么会和一大帮血气方刚忧国忧民的男孩子“裹”在一起了，因为这会让她“替代性的”找到一个安全的归属，并因所谓的“革命使命”而显得“被需要”、“被重视”和“有价值”；或许我们能够理解，在这帮“热血青年”中除了女主角之外，为什么会安排一个背景式的女孩——？，因为这实际上是一个母亲式的角色，是心理意义上的母亲的替身，在王佳之委屈的时候，充当一个情感抚慰作用的母亲角色。通过这样的剧情创作，**《色戒》以象征性地手法，在王佳之的现实生活中“移置”了其家庭系统中隐藏的情感牵连。

王佳之给观众留下的总体感觉，是一个缺少温暖、缺少关爱、缺少价值的女孩，她缺乏父母的关爱与保护，是一个感觉被冷落和放弃的孩子，并显得冷峻、忧郁、成熟和难以置信的坚忍，这多少与她的年龄和大学生身份有点不相称。尽管这些年轻人因为一个“革命任务”组成了一个具有替代意义的“大家庭”，但不幸的是，这个家庭的功能不是去补偿王佳之缺失的爱，而是一个重现王佳之“创伤性的家庭系统牵连”的空间。要理解这一点，我们不妨来进一步解读王佳之与邝渔民的情感纠葛。

二，王佳之的情窦初开——从期待到放弃！理想化“移情”能够补偿家庭情感缺失吗？

依据心理分析原理，“移情”就是指情感移置，是指一个人将自己过去与某些重要人物——通常是原生家庭中的亲人——的情感体验投射到现实生活中的某一个客体或者某一类客体身上的过程。移情是生活当中随处可见的情感移置形式。大多数情况下，移情通常依据“相似”或者“补偿”法则，寻找能够唤起当事人类似情感体验的对象，即：在自己当下所处的现实生活中寻找过去亲人的替身。

**《色戒》的诸多角色中，对王佳之而言，邝渔民和易先生是两个重要的人物。然而，由于这两个人截然不同的人格特征，则分别代表了两个对立的父亲原型：邝渔民——代表民族正义，充满活力，是一个保护者。因为就从象征意义上说，家国天下！“家”与“国”是具有高度关联的事物，是具有一致性的概念，因此，护国就是护家，救国如同救家。而汉奸易先生——代表民族背叛，阴冷忧郁，是一个抛弃者和背叛者。可以毫不夸张地说，邝渔民在一开始就成为王佳之“理想化的父亲”角色，而易先生则是王佳之的“现实父亲”或“坏父亲”的一个不折不扣的替身。

“理想化”通常是指当事人主观地将对方看成资源丰富、能力突出、心理以及其他各种品质优越的“好的客体”的过程，从而使自己处于关系幻想之中，以补偿或抵消那个“坏的客体”对当事人的伤害。理想化是缓解心灵痛苦的一剂良药！来香港途中，王佳之已经被大学生们的爱国激情所感染，邝渔民的表现是充满活力和激情，有爱国热情、敢于作为、年轻帅气、意气风发。这正是王佳之心目中理想的情感投注对象。然而，这个一直被王佳之爱慕也同时爱恋着王佳之的男人，又是如何对待她的呢？随着故事情节的发展，它们之间的这样一段感情又发生着怎样的转变，以致于失落为一出“色相被利用”和“被再度遗弃”的情感悲剧的呢？

开始，在香港的时候，王佳之在众同学的策划下，以“麦太太”的身份去接近易先生，勾引易先生，取信易先生，进而寻找机会让大家有机会刺杀易先生，佳之必须开展“美人计”来实施这个计划。以“易太太”身份出现的王佳之，为了不暴露自己是个处女和没有性经验，在预计易先生将和她约会的前一天晚上，在几位男生中选择一位“有经验者”和她发生性行为。注意，这不是由王佳之自己选择的，而是被这个“大家庭”的其他成员商定的，王佳之只是一个“执行决议”的“棋子”角色，她几乎没有选择的余地。更重要的是，她深爱的邝渔民（不管出于什么原因）却充当了一个“逃避者”和“遗弃者”的角色，王佳之为了所谓的“革命信仰”而“献身”，然而，那个和他发生第一次性关系却不是邝渔民。

三年后在上海，当她已经成为“易先生的情人”之后，邝渔民却满怀愧疚地主动亲吻了王佳之，影片中王佳之面对这个有些突然的举动，怀着一分责备和九分的伤感说：“三年前，你是可以的，为什么不？”。到这里，我们在佳之脸上已经看不到爱的期盼，剩下的只有彻底的失落和残留于心的被遗弃的悲哀，还有一丝冷漠和无声的抗议。其实，从三年前的那一天起，沧海桑田，爱已不再！我的一位从事精神分析的朋友在看完《色戒》后无不风趣地对我说：“你知道吗？如果王佳之没有死，我真有些担心！我担心的不是别的，就是邝渔民会成为王佳之的下一个色诱并谋杀的对象！”我想这似乎并非无聊的戏言。

站在女主角王佳之的角度说，尽管邝渔民对她仍有一份爱的感觉，但她却有理由相信，邝渔民从一开始对自己的感情，除了革命需要就是革命情谊，这就是《色戒》这部影片极具讽刺意味的地方——把革命需要和情感需要对立起来（这也是《色戒》最容易引发争议并刺激国人爱国之心的地方）。对于爱情而言，邝渔民不仅是一位极不真实、极不坦诚、极不勇敢、极不负责的遗弃者，而且还是一个将这个缺少关爱和缺少保护的弱女子推倒了更为危险的境地的策划者，一个虚伪透顶的利用者。因此，邝渔民三年后的愧疚之吻，自然无法唤回王佳之失落的爱和冰冷的心。

艺术的本质特征之一，是在荒诞中表现人性的真实，在偶然中揭示人性的必然。随着故事情节的发展，我们似乎不能回避另一个更为重要的问题——这样一个已经遍体鳞伤的弱女子王佳之，为什么还要继续去充当“色情间谍”，并义无反顾地执行刺杀易先生的革命指令呢？易先生对于王佳之而言，究竟具有怎样的意义？

三，王佳之的色诱之旅——从对立到融合！人性之爱可以战胜“失父”之恨吗？

关于易先生是一个怎样的人，影片并没有对这个角色的背景资料进行具体的介绍，我们只知道，他是一个汉奸，一个更大的汉奸卖国者的帮凶，一个在日占区上海滩的有身份有地位有生杀权的中年男人，一个做过许多对不起国家和民族的坏人。如果我们仔细留意影片中关于易先生的间接资料就会知道，他还是一个伤害女人的人，因为他曾杀害了别人的老婆，显然，关于这一点，与他“汉奸”的特殊职业身份，也许并没有必然的逻辑联系。这些零零碎碎的资料清楚地表明，他是一个“家国”的背叛者，一个遗弃了自己的“国家”和“人民”而为外国人卖命的人，一个除了自己的老婆和情人可能还有其他女人的男人。如果我们把易先生的这些个人资料依据“意义相似”原则与王佳之的父亲做一对比，就会发现原来是多么惊人的一致。

王佳之的父亲：一个背离了自己祖国生活在异国他乡的人，一个客观上抛弃了对自己的女儿的监护、保护和关爱的人，一个除了自己的女儿还有其他女人的人，一个可能因自身的某种原因导致自己的妻子过早去世的人，一个大致上与易先生年龄相当的人，也许（有可能）还是一个神情忧郁焦虑的人，上述特征与易先生的心理角色是高度一致的。因此不能理解，王佳之义无反顾地完成“暗杀易先生”的任务，是出于内心深处对父亲的怨恨，“怨恨”是唯一的心理动因。只不过这个要暗杀的人不是真正的父亲，而是父亲的替身。

不过，当王佳之真正接近了易先生，当易先生更多地放下防御的面具，并以柔情和感性的爱去面对佳之时，当易先生内心痛苦更多地溢于言表时，佳之则为之感动。

易先生是活得很累的，当佳之唱小曲的时候，流泪，两次流泪……音乐往往能很好地突破一个人的防御而进入无意识层面，进入一个人温暖和真实的情感层面。一开始，易先生在和佳之的性爱过程，满足的是“缓解焦虑”的需要，而且参杂“怨恨与对立”的成分，性关系表现为“施虐与受虐”的暴力特征。“性”对于易先生来说或许仅仅就是满足“解除压力和焦虑”的需要。漫漫地，他和年轻美丽性感的佳之在性行为中找到了他所需要的而在婚姻生活中又无法体验到的存在感和价值感后，年轻的佳之犹如一道清新纯净的风，极大地补偿了易先生“太太整日沉醉在麻将和攀比首饰穿着”的婚姻缺陷。爱情，这是易先生能卸下防御、刻板、谨慎、狠毒、虚伪、自保和焦虑的情感根源。

影片中王佳之对易先生的感情，经历了一个“由恨到爱，由怨恨到怜爱，由对立到融合，由依恋到救助”的过程，这个过程通过三段性爱片断，得到了很好的阐释。在易先生出差南京，而后回到上海，与佳之的一场性爱激情戏中，双方有过这样的对话：

王佳之：“我恨你！你知道我每分钟都在恨你，你走的这几天，一句话都没有！”

易先生：“我现在已经回来了，你还恨吗？”（做爱）

王佳之：“不恨了！”

易先生：“还回香港吗？不是说要回去？”

王佳之：（不确定）“我要回去……”

这种因分离而生怨恨，因回归而达成谅解，揭示了父女之爱的心理内涵，也为王佳之内心情感的转变埋下了伏笔。因为王佳之不仅感受到了易先生对她的关爱，而且在这种富有激情的欲望满足中，双方都找到了曾经失落的价值——这是对失去父亲的创伤体验的补偿。王佳之的情感角色要求自己必须对自己的存在感保持尊重，这是她能够进入易先生情感世界的动力。否则，她会在刻意扮演的“色情间谍”角色里产生自我体验上的混乱。

从象征意义上说，王佳之对易先生的情感可谓爱恨交加。恨，是因为他是一个汉奸，一个背叛者，一个“家——国”的遗弃者，这里对应的是现实中佳之父亲对女儿的遗弃；爱，是因为他是一个能够给予“父亲般”关爱的男人，一个在情感世界中让她感受到存在感和价值感的男人，一个能够让她从压抑和幻想中回归现实和满足的男人。