以下内容来自《自然语言处理实践-聊天机器人技术原理与应用》
目前，工业界已有很多成型的 KBQA 系统，其中最著名的是 IBM 2011 年推出的 Watson 问答系统 ，它因在美国最受欢迎的智力问答电视节目《危险边缘》中一举打败了人类智力竞赛冠军而名声大噪。下面从技术的角度对 Watson 进行分析。Watson 采用的知识库是一个广义的知识库，其中不仅包含各种结构化知识，也包含各种非结构化的文本语料和语言学知识。Watson 作为一个集理解、推理、学习、交互功能于一体的强大问答系统，学习处理信息的过程分 4 个阶段，在一定程度上也模拟了人的认知思考过程。
（1） 观察 。观察可见的现象和有形的证据。
（2） 推断 。根据已有知识理解所见之事，然后对其中含义做一些假设。
（3） 评估 。判断某个假设的对错。
（4） 决策 。做出决策，选择最佳选项，并依此采取行动。整个流程称为 Deep QA，包含问题分解、假设生成、基于证据进行假设评估及排序等关键步骤，这里的 Deep QA 并非指通过深度学习技术提供问答。如下图所示为 Watson 问答系统的学习过程。首先，通过分析问题的语义，找出查询所需的依赖关系及查询的焦点；然后，根据查询线索生成候选答案，并给出相关性的评分；最后，归并重复的候选答案，由候选答案评估算法做排序选出最终的答案。
当 Watson 在某个特定领域开始工作的时候，它需要学习相应的语言、术语，以及该领域中的思维模式。以癌症为例，癌症有许多类型，每种都有不同的症状和治疗方案，然而除了癌症，其他疾病也可能出现这些症状，因此 Watson 会基于医疗实践和该领域内最优秀的技术文献进行标准评估，从而识别出最佳治疗方案，供医生为患者进行治疗时选择。Watson 的训练需要在「掌握」某个特定领域知识语料库的领域专家的指导下进行。Watson 的训练过程如图。
- 首先，进行语料库的「摄取」工作。语料库包含大量优秀的技术文献，还需加以一定的人工干涉进行降噪，并对数据进行预处理，构建索引和其他元数据，并依此构建一个知识图谱。
- 然后，对 Watson 进行问答训练。摄取语料库之后，Watson 需要接受人类专家的培训，学习如何理解信息。为了提升 Watson 的学习质量，主要通过机器学习的方法来训练。专家将训练数据以基本问答对的形式输入给 Watson，这里指的并不是问题的明确答案，而是教会它这个领域中专业知识所对应的语言模式。
- 最后，反馈修正不断学习。接受问答训练以后，Watson 会通过持续交互继续学习，用户和 Watson 之间的交互会定期由专家进行审核，并将反馈输入系统，帮助 Watson 更好地理解信息。新信息发布后，Watson 会根据新信息进行自我更新，以便不断适应特定领域中知识和语言阐释方面的变化。
当用户输入一个问题后，Watson 会经历以下处理过程，才生成最终的答案反馈给用户。 - 首先， 通过自然语言理解处理问句，识别出问题中的一些信息词；
- 接着 Watson 会根据信息词从答案源中生成候选答案，即生成假设；
- 然后它会寻找支持或推翻每一个假设的论据，并根据每个论据的统计建模结果，对每个论据进行评分，也就是「加权论据得分」；
- 最后，合并每一个假设的所有证据评分并进行综合排序，Watson 会根据答案响应率的高低估计答案的可信度，反馈给用户。
