問答系統通常分為：
1）任務型機器人、
2）閒聊機器人、
3）解決型機器人（客服機器人），
三者的設計分別針對不同的應用場景。
成年男女像素化身講話泡沫人聊天概念向量插圖
A）：任務型機器人主要用於完成用戶的某些特定任務，比如：買機票、話費充值或者天氣諮詢。
B）：閒聊機器人主要用於深入的和用戶進行無目的交流；
C）：解決型機器人（客服機器人）用於解決用戶的問題，比如：商品購買諮詢、商品退貨諮詢等。這裡通過一些案例分析來介紹不同情況的算法選型：
任務型問題
1）：“成都今天天氣怎麼樣”；
2）：“明天呢"；
3）：“後天呢”。
Slot Filling
首先，“成都今天天氣怎麼樣”屬於天氣類問題（其中包含實體“地點”、“時間”），已經能夠完成應答；然後，“明天呢”該句話僅包含實體信息（”時間“），並未包含地點信息，如果直接採用意圖分類，不能完成此次應答；最後，”後天呢“同樣是只包含實體信息（”時間“）。
針對此類的多輪對話場景，可採用slot filling的方式進行應答（slot filling是多個槽值組成，例如：天氣場景需要實體槽值“地點”和“時間”）。”明天呢“和”後天呢“只包含”時間“實體，但是上文”成都今天天氣怎麼樣“則包含了”地點“實體，只需要將下文的實體（“時間”）替換上文的實體（“時間“）即可。
解決型問題
1）：”iphone X多少錢“；
2）：”郵費是多少呢”；
3）：“可以無理由退貨麼？”。
特徵拼接上下文模型
針對此處的多輪對話，涉及到商品的購買、售前運費和退換貨政策三個意圖，並且後面的意圖分析需要前文的會話意圖，就是一個典型的多輪對話過程。
首先，“iphone X多少錢”可以通過單句的意圖分類即可完成應答；
而“運費是多少呢”則需要判斷用戶諮詢的屬於售前運費還是售後運費，此時可通過結合上文問題的方式進行意圖分析（1：抽取上文的意圖特徵加入當前問題可解決部分上下文場景問題；2：結合上文和當前問題採用深度學習的算法進行上下文的意圖分析）。
最後，“可以無理由退貨麼”需要知道商品的信息才可以回答用戶的問題，因此需要上文商品“iphone X”（可以將對話中實體、商品信息保存用於下文應答）。
解決型問題，1）：“https://item.jd.com/6577511.html?jd_pop=67fb9e1c-df43-4cf9-9509-37998e9c983a&abt=0”；2）：“多少”；3）：“錢？”
層級上下文模型（H-CNN-GRU）
此時多輪對話過程中，涉及到用戶輸入過程中單句輸入不完整。
slot filling和簡單抽取上文特徵的方式並不適合，而組合多句輸入則可以完成此處的應答（具體方式見此處）。
閒聊型問題
聊天記錄
針對閒聊型問題，由於用戶並無明確的意圖，因此不適合做意圖分類，這裡我們可以採用生成式模型，根據大量用戶歷史的閒聊語料生成相應的答案（生成式模型得到的答案可能存在語法、連貫性問題，但是閒聊場景的對話對語句語法和連貫性要求不高，相對隨意）。
seq2seq模型
總結：我們在分析一個人的時候通常涉及IQ和EQ兩個方面，IQ在於解決問題的能力，而EQ在於解決問題的方式。
在實現一個機器人問答系統的時候，我們也應該考慮IQ和EQ兩個方面。
這裡只是針對問答系統中的一些特殊案例進行分析，一個完整的問答系統仍需要大量其他方面的工作，比如：讓問答系統的回答更加擬人化（用戶情感分析）
閱讀更多 剪點詞 的文章
