QuestionAnsweringSystem技术实现简要分析

QuestionAnsweringSystem是一个Java实现的人机问答系统，能够自动分析问题并给出候选答案。IBM人工智能计算机系统"沃森"（Watson）在2011年2月美国热门的电视智力问答节目"危险边缘"（Jeopardy！）中战胜了两位人类冠军选手，QuestionAnsweringSystem就是IBMWatson的Java开源实现。本文从系统架构、主要数据结构、关键技术及代码实现四个方面对该系统的技术实现进行简要分析。1、系统架构
   该系统的架构如下图所示：

   其中，最核心的可以分为证据获取、证据评分、问题分类和候选答案评分四个模块。这几个模块的目标及内容如下：

• 证据获取：从本地数据库或互联网上获取支撑问题的证据。若本地数据库存储有该问题的证据，则直接返回支撑问题的证据。否则，需要利用搜索引擎（如百度、谷歌）从互联网上抓取与该问题相关的片段，并抽取出其中的正文作为该问题的支撑证据。
• 证据评分：为评价不同证据对问题的支撑度，需建立一套证据评分机制。证据评分模型，采用了基于词频的、基于bigram的和基于skip-bigram的三种评价方法及基于上述三种方法加权的组合方法。评分过程中，可以由用户设定以上四种评价方法的任意一种。
• 问题分类：对问题所属的类别进行判定。该系统将可识别的问题类别划分为人名、地名、机构名、数字、时间、定义和对象七类（暂时仅支持前五类），并预先定义这几类问题的匹配模式。分类过程为：1）提取问题的模式，2）和预定义的问题类型模式进行正则匹配，3）根据匹配的结果确定问题的类别。针对同一类问题，系统又定义了五大类数小类的匹配模式，用户可以自由设定匹配模式为大类别或基于五大类的加权组合。
• 候选答案评分：为评估候选答案的质量，需建立一套候选答案评分机制。在候选答案评分模型中，基础的评价方法有基于词频的、基于词距的、基于最短词距的、基于文本对齐的、基于宽松文本对齐的、基于回带文本对齐的和基于热词的七类方法；综合的评价方法有基于基础评价方法加权的组合方法。评价过程为：1）根据问题类型确定答案类型，然后从证据词集中筛选出命名实体标记与答案类型一致的词，作为候选答案，2）针对每个候选答案，利用评分模型进行打分，用户可以自由设定八类评价方法中的一种作为评分模型。在打分过程中，每类评价方法均有一个权值，候选答案的得分是评价方法的打分与该评价方法权值的乘积。

2、主要数据结构
   该系统最主要的数据结构有“问题（question）”和“证据（evidence）”两个，分别定义了输入的问题及支撑问题的证据的结构，描述如下：

	属性	类型
question	问题	字符串
	支撑证据	evidence列表
	问题类型	枚举
	预期答案	字符串
	候选问题类型	问题类型集合
	候选答案过滤器	方法
evidence	标题/title	字符串
	片段/snippet	字符串
	得分/score	Double
	候选答案	集合

3、关键技术
  该系统涉及的关键技术包括预处理（分词、词性标注及依存句法分析）、证据评分模型、候选答案评分模型（证据及候选答案评分模型主要以IBMWatson系统的“文本证据收集与分析”为参考）和问题分类模型。其中，预处理采用了开源工具(分词+词性标注：anjseg-0.9 ，依存句法分析：stanford-parser-3.3.1 )，本节将不会对预处理技术作特别说明。
3.1 证据评分模型
  该模型的目标是评价支撑问题的证据的可信度，包含三个子模型（基于词频、基于bigram、基于skip-bigram）和一个组合模型（前三个子模型的线性加权），各评价子模型的初始权重均设置为1。

• 基于词频的评价模型：
  
  
  

• 基于bigram的评价模 
  
  
  

• 基于skip-bigram的评价模型
  
  
  

3.2 候选答案评分模型
  该模型的目标是评价候选答案的可信度，包含七个子模型（基于词频、词距、最短词距、文本对齐、宽松文本对齐、回带文本对齐和热词）和一个组合模型（前七个子模型的线性加权）。候选答案，是支撑证据中命名属性与问题类型一致的词。每个评价子模型的初始权重均设置为1。
3.3 问题分类模型
  该系统的问题分类采用的是模式匹配的方法，其核心内容是建立起问题类型的匹配模式（以下简称“模式”）。这些模式可以分为三大类：直接匹配模式、基于问题分词的词与词性/词性的匹配模式和基于问题主谓宾的词与词性/词性的匹配模式。在建立模式之后，先按选定的某类模式提取问题的模式，再与所有问题类型模式正则匹配，最后将得票最多的问题类型作为问题的类别。
4、代码实现
  该系统是基于Java语言和maven环境搭建的，其整体结构如下图：

  由于3.2节涉及公式等，lz懒得敲，所以没有在本文列出，这些内容在“文本证据收集与分析”之中。如需更完整的内容，可联系作者。