各类QA问答系统的总结与技术实现（持续更新）

问答系统是近几年大火的nlp应用之一，很多公司不论大小都一窝蜂地研发问答机器人、智能客服。不论是搜狗机器人汪仔在《一战到底》中战胜人类选手，还是前阵子火爆的直播答题类软件，都加速了问答系统走入大众的视野。但是不得不说，即使问答系统前景如此广阔，其背后的技术仍没有达到十分成熟的地步。我从去年9月开始接触QA到现在，对这一领域的一些常见任务和方法都有了初步了解，现做一个总结。

根据应用场景和需求的不同，QA任务的建模过程千变万化。我将从知识的来源、答案类型、交互方式、业务场景及问题类型五个方面对QA任务进行分类，分别展开介绍。

按知识来源划分

回答一个问题需要有依据，人类在回答问题时，会去大脑中搜索相关的内容，然后给出答案；而机器要想实现自动问答，也需要从外部获取知识（或依据）。就好比学生上学时学习知识，并把知识存在大脑中；考试时看到考题，会回忆学习过的相关知识，从而给出答案。机器没有学习知识的过程，我们需要将知识作为结构化或非结构话的数据供其访问，作为其回答问题的依据。根据知识来源的不同，问答系统可以分为以下三种任务：基于知识库的问答、基于文档的问答、答案选择。

KBQA 基于知识库的问答

参考资料：
KBQA从入门到放弃
揭开知识库问答KB-QA的面纱
肖仰华 | 基于知识图谱的问答系统

给定自然语言问题，通过对问题进行语义理解和解析，利用知识库进行查询、推理得出答案。
其特点是，回答的答案是知识库中的实体。

当我们在百度询问 2016年奥斯卡最佳男主角 时，百度会根据知识库进行查询和推理，返回答案，这其实就是KBQA的一个应用。