对话系统-“问答型”单轮对话：FAQ检索式对话系统【步骤：①用户意图判断、②文本检索召回、③文本匹配计算排序】【搜索引擎的最终形态】

梦里梦外; 2023-10-01 19:41 16阅读 0赞

## 一、基本概念 ##

文本匹配：计算文本之间的相似度，主要分为两大类：

1）基于句子向量表示的相似度模型（适合初始召回）；

2）基于词级别匹配的相似度模型（适合对召回结果重排）

问答系统：信息检索的一种高级形式，能够更加准确地理解用户用自然语言提出的问题，并通过检索语料库、知识图谱或问答知识库返回简洁、准确的匹配答案。相较于搜索引擎，问答系统能更好地理解用户提问的真实意图, 进一步能更有效地满足用户的信息需求。问答系统处理的对象主要是用户的问题和答案，根据问题所属的知识领域，问答系统可分为面向限定域、面向开放域和面向常用问题集的问答系统。根据答案的来源可分为基于结构化数据的问答系统（如kbqa），基于文本的问答系统（如阅读理解），基于问答对的问答系统（如FAQ）。按照答案的反馈机制划分，可分为基于检索式的问答系统和基于生成式的问答系统。

FAQ：（Frequently asked Questions），是检索式问答系统。通常情况是给定标准问题库，系统需要将用户输入的query匹配用户最想问的问题上。用户输入的query通常是短文本，标准问题库是一个封闭的集合。每个标准问题都有固定答案和标题，同时会有多个扩展问法和关键词。模型所需要解决的是给定query，找到标准问题里用户最接受的答案。

在该场景中，文本匹配是计算query和扩展问法之间的相似度来代表query和标准问题的相似程度，排序后输出topk作为匹配的结果。具体如下图所示：  
![在这里插入图片描述][c3c219dedc5c46b4a3441a926e72c00e.png]

其中，Qi是知识库中的标准问题，Ai是其对应的标准答案。

## 二、文本匹配模型 ##

FAQ问答系统通常有两种思路：

*  1）相似问题匹配，即计算用户问题与现有知识库中的问题的相似度，返回用户问题对应的最精准的答案；
 *  2）问题答案匹配，即计算用户问题与知识库中答案的匹配度，返回用户问题对应的最精准的答案，该思路是选择答案，及QA匹配。在这两种思路中都需要用到文本匹配计算。

--------------------

参考资料：  
[基于FAQ的智能问答(一): Elasticsearch的调教][FAQ_ Elasticsearch]  
[基于FAQ的智能问答(二): 召回篇][FAQ_]  
[基于FAQ的智能问答(三): 精排篇][FAQ_ 1]  
[FAQ检索式问答系统及文本匹配计算][FAQ]  
[【NLP-ChatBot】搜索引擎的最终形态之问答系统（FAQ）详述][NLP-ChatBot_FAQ]  
[NLP: 基于文本语义的智能问答系统][NLP_]  
[自然语言处理（NLP）：24基于文本语义的智能问答系统][NLP_24]  
[基于深度学习的FAQ问答系统][FAQ 1]  
[问答系统QA–综述][QA]  
[互联网+智慧医疗：基于Python打造公益智慧医院项目之智能问答系统][Python]  
[问答系统的发展历程][Link 1]  
[智齿科技-智能客服][-]  
[七陌科技-智能客服][- 1]  
[15智能客服在线服务1][15_1]

[c3c219dedc5c46b4a3441a926e72c00e.png]: https://img-blog.csdnimg.cn/c3c219dedc5c46b4a3441a926e72c00e.png
[FAQ_ Elasticsearch]: https://zhuanlan.zhihu.com/p/347957917
[FAQ_]: https://zhuanlan.zhihu.com/p/349993294
[FAQ_ 1]: https://zhuanlan.zhihu.com/p/352316559
[FAQ]: https://zhuanlan.zhihu.com/p/79698318
[NLP-ChatBot_FAQ]: https://cloud.tencent.com/developer/article/1522761
[NLP_]: https://blog.csdn.net/demm868/article/details/113777857
[NLP_24]: https://blog.csdn.net/shenfuli/article/details/107823959
[FAQ 1]: https://blog.csdn.net/stay_foolish12/article/details/90262385
[QA]: https://blog.csdn.net/broccoli2/article/details/90670999
[Python]: https://blog.csdn.net/IT_charge/article/details/106381250
[Link 1]: https://blog.csdn.net/ch18255112191/article/details/88635770
[-]: https://www.sobot.com/
[- 1]: https://www.7moor.com/
[15_1]: http://m.bubuko.com/infodetail-3697572.html