开发者学堂课程【阿里小蜜中的开放语聊技术：匹配问答】学习笔记，与课程紧密联系，让用户快速学习知识。
课程地址：https://developer.aliyun.com/learning/course/44/detail/971
匹配问答
内容介绍：
一、改进词特征处理方式匹配
二、风格化匹配
三、语聊情绪安抚
一、改进词特征处理方式匹配
接下来介绍匹配问答的能力，分三个不同维度，首先是通过改进词特征处理方式的匹配问答，在语音匹配的过程中，发现 OOV 的问题非常严重，相当于会发现很多词并不在之前训练模型的词典中出现，没法得到词性量，没法进行语音匹配。
为了解决 OOV 的问题，做了wordpiece 的处理， wordpiece 是把比较长的词语不只保留词语本身，还希望通过发现更小的语义单元，让语义单元更多的出现在训练模型中的词表上，尽量保证在预测过程中，句子里所有的语义单元都能拿到对应的向量，都能应用于匹配过程，这样才会让匹配效果更好。
二、风格化匹配
第二个改进在风格化匹配的维度上，风格化匹配是 wordpiece 的词处理基础上，把每句话都加上风格向量，在语义标注或者应用场景都不同，应用场景上它的语言风格不同。
风格化匹配的重点在于句子表示的过程中，学到句子的语言风格，通过语言风格的语义展示让匹配的结果变得更好。从上面几个图可以看到，句子表示过程中把语言风格的表示部分和 wordpiece 的表示部分拼接到一起。在整个模型训练过程中，先对每种不同的风格进行随机初始化，风格表示在训练过程中学习得到，不管是 wordpiece 还是风格化都是这样的效果。
在党建语聊，五号小蜜语聊还有情绪主题匹配，包含了用户情绪的数据，在三个不同风格的数据上，基于了基础 match 模型，基础 match 模型加上 wordpiece ，第三个再加上风格表示，在不同数据上，效果都是在逐步提升。
三、语聊情绪安抚
第三部分关于语聊情绪安抚，分为离线部分和在线部分，离线部分包含了情绪分类的模型构建，主题分类的模型构建和知识构建。知识构建也是问答对。
在线部分包括基于知识的主题回复，基于情绪和主题的情绪回复，还有基于情绪类别的情绪回复，后面也会介绍。首先举例子来说明这三个类型的不同。
第一，用户说你们太垃圾了，其实不知道他在说什么，说小蜜或者说整个机器人太垃圾了，不知道是在抱怨机器人本身，还是说客服服务态度不好，还是其他，所以只能给很通用的回复，只识别到他在辱骂，但是不知道在辱骂什么东西，所以这个回答很通用。
第二个问题说垃圾服务，问题虽然变短了，但是要识别出来他在辱骂，并且辱骂的是客服的服务，所以就会针对他的辱骂，还有辱骂的意向，做更具体的回复，这是上节课提到的基于情绪类型和主题的恢复能力。第三部分用户问题是这是什么垃圾机器人服务，他的辱骂对象更加具体，如果这是非常高频的辱骂问题，会构建专用的 QA对，把这些问题的答案交由人工智能专家配置。
比如在辱骂垃圾机器人服务时，会被怎样安抚的回复，这部分基于知识匹配过程，用文本匹配模型。
左边这两列是一个整体，叫 BCNN 的文本匹配模型，把 Q 和 T 两个句子进行了卷积铺链多层的处理，最后把分别得到的语义特征拼接到一起，做最后一层判定，是不是在表达同一个意思，是分类或者回归的任务。
Q 和 T 的意思是， Q 就是用户的问题也就是 query ， T 是在构建 QA 对的过程中，存在知识库以后把问题叫做 t title ，答案叫 answer ， title 是区分于用户真实的 query 。右边模型叫priamid ，完整的原名叫 match priamid 是金字塔形状的文明匹配模型。把 Q 和 T 在最开始做语义交互，得到语义交互矩阵，针对交互矩阵做卷积铺链的多层处理，得到交互矩阵对应的语义特征。把前面单个句子的语义特征，还有交互对应的语义特征都拼接到一起，做最上层的分类或者回归，判断 Q 和 T 到底是不是在表达同一个意思。
左边主要关注的是单句特征，右边主要关注交互特征，把这两点拼接到一起，效果会比单独模型有明显的提升。
