python 自动问答系统_问答系统介绍

这是我的第一篇技术博客，也是对近期学习的问答系统进行一个小结，方便回顾所学。文章难免有错误之处，欢迎大家批评指正，不胜感激。

下面将从两个方面对问答系统进行小结：

一、常见的问答系统种类及介绍

二、问答系统中的常用技术

一、常见的问答系统种类及介绍：

1.根据问题所属的知识领域来分类：

(1) 开放域闲聊性。        举例：微软小冰

(2)  面向FAQ和任务型。举例：京东JIMI、苹果Siri

(3)限定域知识型。         举例：左手医生(问答模型、信息检索)

2.根据答案生成阶段的技术分类：

(1)检索式                    (2)生成式

3.依据答案来源分类：

(1)基于知识图谱问答系统

(2)机器阅读理解的问答系统

(3)基于问答对的问答系统

下面将根据答案来源的分类进行详细展开：

1.基于知识图谱问答系统(KB-QA)

定义：给定自然语言处理问题，通过对问题进行语义理解和解析，进而利用知识库进行查询、推理得出答案。对事实性问答任务而言(如政策问题)这种做法依赖于知识图谱，准确率比较高。要求知识图谱是比较大规模的，因为KB-QA无法给出在知识图谱之外的答案。下面给出常见分类：

(1)基于符号表示的KB-QA(传统的语义解析方法)

(2)基于向量表示的KB-QA(知识表示学习的方法)

评价标准：召回率(Recall)、精确率(Precision)、F1

常用数据集：WebQuestion、SimpleQuestion、NLPCC KBQA数据集(中文)

下面根据常见分类分别进行详细展开：

(1)基于符号表示的KB-QA(传统的语义解析方法)

定义：该方法是一种偏语言学的方法，主体思想是将自然语言转化为一系列形式化的逻辑形式，通过对逻辑形式进行自底向上的解析，得到一种可以表达整个问题语义的逻辑形式，通过相应的查询语句在知识库中进行查询，从而得出答案。

语义解析传统方法：

问题->短语检测->资源映射->语义组合->逻辑表达式

语义解析树形式  Berant.EMNLP.Sema