摘要

阿里小蜜是开放域的问答系统，是检索式问答系统和生成式问答系统的结合体。

框架

直接上流程图，比较清晰

用户输入一个问题q，先采用IR(Information Retrieval)模型检索出一些数据库中的QA对作为候选，然后采用attentive Seq2Seq模型对上述检索出的候选答案进行重新排序，如果排名第一的候选答案的得分高于某个阈值，将此答案作为标准答案输出，否则输出基于attentive Seq2Seq模型生产的答案。

此框架包含三个模型：1）IR模型；2）生成式模型； 3)重排模型（对候选答案进行重排）

模块讲解

IR模型

采用的算法为BM25，主要是计算用户问题和语料库中问题的相似度，将最相似k个（论文中k=10）QA对作为候选集。在采用BM25之前，对语料库中的所有问题进行分词（不做word embedding），然后通过将每个次映射到包含该词的方式对所有问题建立倒序索引（原文：we build an inverted index for the set of all 9,164,834 questions by mapping each word to a set of questions that contain that word，PS:具体做法和这么做得目的我还没想清楚，希望知道的留下自己的idea）；对于用户的问题，进行分词、去停用词、利用近义词扩展相关性，然后采用BM25算法找回k个最相似的QA对。

生成式模型

采用的是 attentive Seq2Seq框架。假设，在位置i产生词yi的概率为

其中f为计算概率的非线性函数，si-1为输出位置i-1处的隐含层状态，ci为取决于的上下文向量，为输入序列的隐含层状态，，，下图所示为i=3,m=4时的情况

循环网络单元选用的是GRU，输入数据处理采用Bucketing和pading，定义五个（5,5）（5,10）（10,15）（20,30）（45,60）五个buckets，假如问题为4个词，答案为8个词，要采用(5,10)，即通过添加“_PAD”符号，将问题扩展为5个词，将答案扩展为10个词放到Attentive Seq2Seq中处理

Attentive Seq2Seq的输出采用Beam search，每time step包含top-k(k=10)

重排模型

还是采用Attentive Seq2Seq模型，采用平均概率作为得分如下，将每个候选答案当作词序列

实验

实验就不细讲了，比较简单，无非就是以某些标准和现有的chatbot进行pk然后赢了的故事，直接上一张图