案例来源：@AI科技评论
案例地址：https://mp.weixin.qq.com/s/621j43q_rTWYm3EupgsSGw
1. 目标：打造通用智能问答平台
2. 智能问答平台的三种类型：
1）任务驱动型：如查天气、查汇率等
2）信息获取型：目前业界落地最多的智能问答平台类型
3）通用闲聊型：如微软小冰、苹果siri，使对话系统更人性化，同时可以收集更多用户信息，包括用户情感表达等
3. 问答领域的三种问答数据：
1）结构化知识：如FAQ和KG
2）非结构化：如表格和文档
3）多模态、跨媒体的数据：如VQA（视觉问答），以及可能存在的音频、视频问答的语料库
4. 在结构化FAQ上如何打造智能问答：
1）问题预处理模块：问询改写、错词纠正、同义词替换
2）答案召回：要求首先是快，其次是召回率要高，对准确率要求不高
a. 词汇计数法：优点是简单，对长尾词效果好；缺点是不能理解相似词汇之间的关系
b. 语言模型：用概率的方法判断问题和知识库里的FAQ哪个在概率上更接近。优点是效果好，缺点是对语言模型的参数优化很敏感，要做很多的平滑实验，如Query词没有在FAQ中出现，如何处理
c. 基于向量的方法：把问题和FAQ都投射到向量空间中，根据向量空间中的距离计算问题和FAQ的相似性。 计算向量空间中的距离，提出了WMD算法，即两个句子之间先按照词距离将词一一匹配（如“奥巴马”匹配“总统”），然后加总得到句子间的相似性。优点是效果比计算所有词之间的距离均值效果好，缺点是计算量大，需要计算两两词汇之间的距离。
3）答案匹配：对准确率要求很高，只能返回一个回答
a. Siamese网络：两个网络共享相同的权重w，模型输入为两个句子，输出为两组句子是 匹配or不匹配。训练该模型，对于输入的query和召回的FAQ，能输出query与各回答的相似性，返回top1的结果。（参考：https://blog.csdn.net/sxf1061926959/article/details/54836696）
b. 基于交互矩阵（interaction-base network）的网络：（以下为原文）左边是刚才提到的结构，右边加入了交互。左边非常简单，Question 和 Answer 进入以后得到了表达的矩阵，然后再得到向量，最后求出得分，这是非常直观的流程。在 Attentive Pooling 网络里，会把交互放在求向量之前，想要在交互矩阵中得到行的取值和列的取值，就要得到它们重新的表达，再用最后的表达求扩散的分数。对于长文档，特别是如果 FAQ 很长，基于交互矩阵的网络会带来更多信息
5. 相近领域——机器阅读理解：
1）完型填空：从文章中挖去几个词，模型填空
2）多项选择：根据文章提出问题，有N个选项，模型选择最合适的一个选项回答
3）答案匹配：给定一个问题，从原文中找到句子回答
6. 演讲者心得：
1）尽快建立baseline，通过baseline理解数据和问题
2）尽快打通pipeline，从数据处理、模型训练到模型预测、模型评价。打通流程才能对模型进行评价，才能提升模型
3）没有免费午餐，没有解决一切问题的算法，只有领域适用的算法
4）领域相关数据，包括领域问答数据集、专家知识、领域词表等，这些对于优化模型的效果明显