这里简单探讨QA系统的几种形式
假设我们有一堆问答对(q_1, a_1, q_2, a_2, ..., q_n, a_n)
如果这个时候新来了一个问题，最朴素的想法就是去这些问答对里面搜索，找到答案（假设有的话）。
问题是，问题本身的形式可能多种多样，例如：
这些问题本身都代表一样的含义，或者说他们有相似的语义（Semantic)。
那么问题来了，如何确定答案？
假设我们有一个函数f(x, y)，当两个问题相似的时候f(q_1, q_2)趋近于1，当两个问题不相似的时候f(q_1, q_3)趋近于0。
那么用户只要输入一个新问题q_user，那么我们只要从数据库里面计算argmax{q_i} f(q_i, q_user)就好了。也就是从数据库中找到与问题q_user最相似的问题。
当然还有另一种类似的做法，假设一个函数g(x, y)，当一个问题q和答案a是一对的时候（也就是a是q的正确答案），那么g(q, a)趋近于1，如果不是一对，则趋近于0。
当用户来了新问题q_user，那么我们只要遍历数据库里面的所有答案寻找argmax{a_i} g(q_user, a_i)，则可以找到，最符合用户问题的答案
当然实际应用的时候，我们不可能真的遍历数据库的所有问题（可能有几百万条数据，时间性能不允许），这个时候我们可以通过其他手段。
例如我们有一个函数vec(x)，它可以把一个问题或者答案转换成一个有限长度的实数向量。然后我们还有一个函数similarity(x, y)，用来判断两个向量是否相似。那么当用户来了一个问题q_user的时候，我们可以先把它向量化得到vec(q_user)，然后再去匹配我们已经预先向量化好的其他问题。
即argmax{vec(q_i)} similarity(vec(q_user), vec(q_i))
因为向量相似匹配的算法，可能远快于遍历所有问题（或答案）。（例如用K-neighbour相关算法如BallTree等)
用深度学习解决此类问题的论文比较多，例如：
(Ming Tan, LSTM-BASED DEEPLEARNING MODELS FOR NON-FACTOID ANSWER SELECTION, 2016)
利用搜索引擎，或者类似搜索引擎的技术
假设我们问“爱因斯坦出生于哪一年？”
然后把这个问题直接丢给搜索引擎，或者经过某种转换到某个形式（例如把问题修改为文本“爱因斯坦 出生 年份”）
假设去搜索，第一条结果可能如下：
阿尔伯特·爱因斯坦- 维基百科，自由的百科全书
https://zh.wikipedia.org/zh-hant/阿尔伯特·爱因斯坦
阿尔伯特·爱因斯坦，或譯亞伯特·爱因斯坦（德語：Albert Einstein，1879年3月14日－1955年4月18日），猶太裔理論物理學家，创立了現代物理學的兩大支柱之一的相对论 :274，也是質能等價公式（E = mc2）的發現者。他在科學哲學領域頗具影響力。因為“對理論物理的貢獻，特別是發現了光電效應的原理”，他榮獲1921年諾貝爾物理學獎 ...
而我们根据问题可以判断用户的意图是希望结果是“哪一年”，也就是问题答案很可能是(18xx年, 19xx年, 18xx-xx-xx, 19xx-xx-xx)之类的形式。
我们获得了潜在的答案类型，和潜在包含答案的数据条目。我们再从中搜索我们的答案。
这个方法的方法与条件：
当然也可以说语义网、知识图谱等based
这个角度解决QA问题首先我们需要有一堆数据库，常见使用三元组（triples）的形式保存，例如：
类似这样，一般来说三元组中间那是一个关系（relation），而两边是两个实体（entity），我们也可以写作出生于(爱因斯坦，1879)，出生于(这篇文章的作者，2020)，类似这样的形式
假设我们有很多这样的三元组数据，那么我们解决：“爱因斯坦出生在哪年”这样的问题方法，是把问题转换为一种逻辑形式，例如：
爱因斯坦出生在哪年 => 出生于(爱因斯坦, ?x)
中国的首都 => 首都(中国, ?y)
其中出生于和首都都是关系，而中国和爱因斯坦都是实体，而?x和?y都是自由变量，这里代指我们想要寻求的答案。
从这个角度解决QA问题有一套比较完整的方法论，如RDF，Semantic Web，SPARQL等技术和方法
也有一些文献使用了结合deep learning与sequence-to-sequence等技术的的Knowledge-based解决方案，具体内容我们后续会讨论。