问答系统（QA）调研

引言

智能问答系统广泛用于回答人们以自然语言形式提出的问题，经典应用场景包括：智能语音交互、在线客服、知识获取、情感类聊天等。根据QA任务，可以将QA大致分为5大类，分别为：
文本问答（text-based QA，TBQA）
知识库问答(Knowledge Base Question Answering,KBQA)，
社区问答(Community Question Answering,CQA)
表格问答(Table Question Answering,TQA)，
视觉问答(Visual Question Answering,VQA)
下面分别从任务（回答是什么），方法（回答怎么做，只梳理deeplearning部分，传统算法略过），示例工程（实操或者在线体验），结论（个人思考与衡量）4方面展开。

文本问答（text-based QA，TBQA）

一:任务

基于给定文本，生成问题对应的答案,也可叫机器阅读理解(MRC)。
处理流程：

1）文章定位模块
文本读取
根据用户问题，借助文本分类，检索等算法获取概率较大的段落集合
2）预处理模块
句子向量化，格式归一，特征计算等
3）DNN服务模块
加载深度学习模型，预测答案得分
4）后处理模块
基于动态规划选取最佳答案输出

根据任务的不同，可分为以下几种情况：

答案填空，类似完形填空。

给定文本内容，预测问题中缺失的单词或短语。这类问题的数据集形态，大多是【背景，问题，答案】三元组，比如：

答案选择，类似做选择题。

给定文本内容，并给定问题对应的若干答案候选,对这些答案候选进行排序并选出可能性最大的答案候选.这类问题的数据集，通常是英语考试阅读理解，比如：

3）答案抽取，片段抽取。
根据给定的问题从文本中抽取答案。这里的答案可能是文本中的任意片段。这类问题的数据集形态大多数为【原文，问题，答案】三元组。

答案摘要，自由问答。

根据给定问题和文本,生成一段可以回答问题的摘要,这里的答案片段可能并没有出现在对应的文本中。这类问题的数据集形态大多数为： ID 文本 ID 文本 ID 问题 [标签] 答案 [标签]

基于知识的机器阅读理解（Knowledge-Based MRC）

需要借助外部知识才能获取到的答案。这里问题的数据集形态通常为：一个领域若干条文本概述，围绕给出的文本进行对话问答，对话比较短，通常只有一两对对话。比如：

不可答问题的机器阅读理解（MRC with Unanswerable Questions）

根据上下文以及外部知识也无法获得的答案。

对话型问题回答（Conversational Question Answering）

给定一个问答，A提问题，B回复答案，然后A根据答案继续提问题。这个方式有点类似多轮对话。

总之，不管哪一种任务，都是需要阅读和理解给定的文本段落，然后根据其回答问题。

二:方法

基于预训练模型的方法
（1）近年来NLP领域通过大量通用领域数据进行训练，诞生了一批如ELMO、GPT、BERT、ENRIE等优秀的预训练语言模型。在具体的阅读理解任务时，可以通过进行领域微调、数据微调、任务微调，来把学到的句子特征信息应用到具体的任务。（BERT：结合 GPT 与 ELMO 的优势, 引入 Transformer 编码模型, 采用双向的语言模型, 训练时增加了掩码语言模型以及判 断 句 子 顺 序 的 任 务 , 可 以 获 取 更 多 的 语 言 表 征 ）

query和context concat后输入bert中获取每个token的向量表示，输入形式: CLS “query” SEP context ，经过BERT训练，找到需要抽取的span.
（2）基于知识增强的对比提示调整框架（KECP）是一种小样本学习算法，采用Prompt-Tuning作为基础学习范式，在仅需要标注极少训练数据的情况下，在给定文章中抽取满足要求的文本作为答案。

三:示例工程

1：easyNLP

工程地址：https://github.com/alibaba/EasyNLP
工程描述：收藏 1.4K，clone 179，并且一直有人维护，几小时前还有更新，是阿里云团队曾经被顶会EMNLP2022收录的工程。
论文：KECP: Knowledge-Enhanced Contrastive Prompting for Few-shot Extractive Question Answering https://arxiv.org/abs/2205.03071
讲解：算法 KECP 被顶会 EMNLP 收录，极少训练数据就能实现机器阅读理解
https://zhuanlan.zhihu.com/p/590024650

2：DuReader

工程地址：https://github.com/baidu/DuReader/tree/master/DuReader-2.0
工程收藏 998，clone 312，是百度团队曾经被顶会ACL2022收录的工程。但是这是一种开放域问答系统，数据集形态复杂，数据集噪声多，需要的数据量较大。
论文：DuReadervis: A Chinese Dataset for Open-domain Document Visual Question Answering https://aclanthology.org/2022.findings-acl.105/
讲解：ACL2022 | 面向中文真实搜索场景的开放域文档视觉问答数据集
https://blog.csdn.net/qq_27590277/article/details/125326071
该工程已经落地应用与汽车行业：《汽车说明书跨模态智能问答》
地址：https://aistudio.baidu.com/aistudio/projectdetail/4049663

四.结论

机器阅读理解问答（MRCQA）是一种给出文章，然后根据文章提问并解答作为标签，去训练。在训练过程中，
首先，为了获得更准确的与问题相关的词与句子，很多Attention机制被提出，这块是很值得研究的一个点。
其次，从任务细分的几种情况来看，大多是的MRC解决方案都是从原文档中匹配检索答案，这其实与人的阅读理解不一样的（人或多或少会用上先验知识），所以，如何使得模型获得先验知识也是我们值得研究的地方。
切入到我们目前实际的问答任务，个人认为：
数据集形态的确定，我们借鉴kecp，输入不是常规的Q+P，而是Qprompt +P,这里的Qprompt
相对于Q，已经可以看作是在数据层面做了Attention。

知识图谱问答(Knowledge Base Question Answering,KBQA)

一:任务

知识图谱(Knowledge Base / Knowledge Graph)中包括三类元素：实体（entity）、关系（relation），以及属性（literal）。实体代表一些人或事物，关系用于连接两个实体，表征它们之间的一些联系。KBQA，就是将问题解析、转换成在知识图谱中的查询，查询得到结果之后进行筛选、翻译成答案输出。
应用场景：多应用于结构化数据场景，比如电商，医药等，最具有代表性的知识图谱问答系统是各种搜索引擎，比如百度，谷歌等。
下面是一个简单的例子：

问题：”商鞅变法”发生在哪个朝代？
知识图谱问答系统分5步得出答案：
1:确定问题中提到的实体；2:将问题的其他部分分段；3:通过web接口获取包含该实体的所有三元组；4，计算“关系”和分割词之间的相似度，5:基于相似性结果对那些三元组进行排序以返回正确答案;

二:方法

1：知识图谱的构建

What：KBQA，首先在知识图谱的构建，也就是数据集构建上，是非常重要的过程。根据不同领域，构建不同领域的知识图谱，比如阿里巴巴商品知识图谱，zego元宇宙知识图谱等，数据集构建好之后，为其增加一个 QA 系统，就成了一个能解答XX相关问题的机器人。
How: （1）可以通过Neo4j简单构建自己的知识图谱数据集
具体实操过程，可参考：https://blog.csdn.net/jesseyule/article/details/110453709
（2）通过OpenNRE构建
实操参考：http://pelhans.com/2019/01/04/kg_from_0_note9/
ccks2019_sample subset：结构化三元组形态，是目前应用最广的。

2:所提问题到图谱查询的转化

这一步可以通过语义分析，从而构建这个问题的图谱查询，得到答案；也可以基于信息抽取，从问题中抽取实体，再去已有的知识图谱中匹配问题，最后排序选择结果。
这里有一篇美团知识图谱问答解析：https://tech.meituan.com/2021/11/03/knowledge-based-question-answering-in-meituan.html

三:示例工程

一：NBA 相关问题的问答系统：https://github.com/wey-gu/nebula-siwi/
二：KBQA-BERT
工程地址：https://github.com/WenRichard/KBQA-BERT
工程收藏 1.3K，clone 342，最近更新在4年前，用bert做文档特征提取与句子相似度计算。比较老的方法。
三：基于医药知识图谱的智能问答系统QASystemOnMedicalKG
工程地址：https://github.com/liuhuanyong/QASystemOnMedicalKG
工程收藏 4.7K，clone 1.8K，最近更新在3年前。类似的，还有基于犯罪知识图谱的智能问答系统，基于军事知识图谱的智能问答系统等，这些比较冷门，工程热度较低。
四：haystack
工程地址：https://github.com/deepset-ai/haystack
工程收藏 6.9K，clone 1K，并且一直有人维护，几小时前还有更新，实现基于文档的语义分析和问答，可以快速构建类似Chatgpt的问题答案，语义搜索，文本生成等，是一种端到端的框架。参考文档：https://docs.haystack.deepset.ai/docs/knowledge_graph
五：intelligent_question_answering_v2
工程地址：https://github.com/milvus-io/bootcamp/tree/master/solutions/nlp/question_answering_system
工程收藏 1.1K，clone 442，最近更新在3个月前。用Milvus做相似度计算和搜索，找到所问问题与数据集中相似问题，然后匹配相似问题的答案，fastAPI做交互式界面，搭建比较简单。

四 结论：

（1）KBQA与MRC相比，MRC的语料是一问一答式，容易获取，KBQA需要有结构化的知识库，获取比较难。
（2）KBQA流程是识别出问题的实体，然后构建图谱查询，而MRC需要理解一堆非结构化的语料，两者不管是在速率还是效率上，都是KBQA优于MRC。
（3）切入到我们目前实际的问答任务，个人认为：
①如果想算法快速落地，推荐使用MRC，因为其数据集容易获取且清洗。
②如果想追求响应时间快，准确率高，推荐使用KBQA，那构建我们自己的知识图谱尤为重要，后面模型出的答案是否准确，跟知识图谱有很大关系。

社区问答(Community Question Answering,CQA)

一：任务

技术点在于语义文本匹配问题，计算文本与文本之间的相似度和关联度的问题。根据任务划分，可以将CQA还分为：

1.FAQ

用户频繁会问到的业务知识类问题的自动解答。
https://github.com/Bennu-Li/ChineseNlpCorpus
例如法律文书匹配样例：

2.CQA

问答对来自于社区论坛中用户的提问和回答，较为容易获取，没有人工标注，相对质量较低。

二:方法

常用孪生网络，比较两个输入的相似度

可以当分类任务，输出sentenceA 与sentenceB是否相似，也可以当回归任务，输出sentenceA 与sentenceB相似的程度。

四 结论：

CQA主要用于语义相似度匹配，比如医疗问答匹配，某某客服问题匹配，某某需求与成果匹配等，跟我们目前实际问答任务相关性较弱，没有过多调研。

表格问答(Table Question Answering,TQA)

一:任务：

TQA任务流程分为以上5步，分别为：
（1）表格检索：从一堆表格中检索出跟问题相关性较大的表格
（2）语义解析：将非结构化的文本问题，转化为SQL语句
（3）问题生成：围绕上述语义解析，产生相关问题输出。同时对这些问题与所提问题做相似度排序。
（4）对话：对上述产生的问题进行解答。
（5）文本生成：将上述排列最考前的问题与答案，用自然语言描述出来，作为答案输出。

视觉问答(Visual Question Answering,VQA)

一:任务

VQA（Visual Question Answering）指的是，给机器一张图片和一个开放式的的自然语言问题，要求机器输出自然语言答案。这是目前比较新也比较火的方向。VQA细分，还可以分为图片问答，视频问答，图片文本问答，图表问答等。

三:示例工程

一：ERNIE-Layout：版面知识增强的文档理解预训练
1:论文地址：https://arxiv.org/pdf/2210.06155v2.pdf
2:工程地址：https://github.com/PaddlePaddle/PaddleNLP/tree/develop/model_zoo/ernie-layout
3:体验：https://huggingface.co/spaces/PaddlePaddle/ERNIE-Layout
输入一张图片，再根据那张图片图片提问，eg:
问：这是一份什么材料？
系统自动答：不动产信息查询结果告知单
并且自动在上传的图上标出信息位置。

二：vilt
体验：https://huggingface.co/tasks/visual-question-answering

四 结论：

VQA语料是图片，跟我们目前实际问答任务相关性较弱，但是个人感觉这块的应用前景比较好，值得研究。