人通过获取和应用知识，能够实现对客观事物的认知和推理。人的认知推理能力是一个非常复杂的系统，我们试图通过人工智能的技术去模拟人的认知和推理的过程。问答就是一种典型的认知推理过程，智能问答是人工智能领域一个备受关注并具有广泛应用前景的方向，是信息检索系统的一种高级形式，随着人工智能技术的发展，智能问答的应用已涉及知识的表达、知识的搜索、自然语言的处理、知识图谱的绘制等多个领域，其应用的本质是通过智能化的人机交互让用户快速地从海量信息中直接获得精准、有效、可靠的答案，这里我们通过介绍智能问答技术和实际案例，来介绍犀语如何应用相关技术搭建智慧合规场景的认知推理问答系统。

智能问答系统（Qusstion Answering System,QA System）旨在为用户提出的自然语言问题自动提供答案，通过大规模知识库查询、自然语言处理、机器学习、意图识别、行为识别等，进行问句的语义识别，理解问题的含义，智能的从知识库内检索相匹配的答案或知识点，无需人工实时在线即可做到7*24小时即时高效服务。

问答系统是自然语言处理领域一个很经典的问题，它用于回答人们以自然语言形式提出的问题，有着广泛的应用。经典应用场景包括智能语音交互、在线客服、知识获取、情感类聊天等。常见的分类有：生成型问答、检索型问答、单轮问答、多轮问答、开放领域问答、特定领域的问答。目前问答的技术路线基本分为：常见问题问答（FAQ）、基于知识图谱的问答（KBQA）、基于阅读理解的问答(MRC)三种模式。

FAQ：FAQ的全称为“Frequently Asked Questions”的缩写，中文意思是“经常问到的问题”。FAQ被认为是一种常用的在线顾客服务手段，根据问题从答案库中找出最相似的问题并返回该问题的答案。一个好的FAQ系统，通常至少可以回答用户80％的问题，在节省了大量的顾客服务成本的同时也提高了服务效率。

• 优点：覆盖率高，类似搜索总是可以返回最可能相关的答案。

• 难点/缺点：需要构建大量、标准的问答库，耗费大量人力，无法回答推理问题。

• 使用场景：解决常见或高频次问题。

KBQA：KBQA的全称为“Knowledge- Based Question Answering”，中文意思是“知识库问答”，是一种基于结构化知识库（即知识图谱）的智能问答方法。给定自然语言问题，该类方法基于知识图对问题进行理解，并根据问题理解的结果从知识图谱中查找或推理出问题对应的答案。而知识图谱是人工智能的基础设施，是认知智能的关键技术，借助知识图谱，能够更准确的理解自然语言，直接推理生成答案。能够增强深度语义检索和匹配排序、机器阅读理解的答案抽取和生成，实现更智能化的问答系统。

• 优点：支持简单或者复杂的推理结果作为答案。

• 难点/缺点：需要抽取大量结构化数据，知识库的维护和更新是一个难点。

• 使用场景：解决领域场景中特定知识库的复杂和推理问题。

MRC：MRC的全称为“Machine Reading Comprehension”，中文意思是“机器阅读理解”，是自然语言处理领域的研究热点之一，更是人工智能在处理和理解人类语言进程中的一个长期目标。得益于深度学习技术和大规模标注数据集的发展，MRC模型以问题和文档为输入，通过阅读文档内容预测问题的答案。

• 优点：不需要对文本进行结构化。

• 难点/缺点：需要大量标注问题-篇章数据，推理效率不高。

• 使用场景：类似搜索，解决长尾问题。

集团企业合规制度严谨，制度资料分散，部门众多。企业员工查询时需要去寻找对应的部门或人员，制度合规人员每天也需处理大量的重复问题，犀语为该企业定制研发的制度合规问答系统，极大地节省了人力成本和时间，让相关部门员工更有效率的完成工作。

解决方案：犀语结合丰富的专家经验，整理了超过200份的制度合规文档，针对业务场景定制构建问答对。基于给定的问答对，利用分词技术结合专家经验将相关词汇保存为关键词库，并基于AC自动机构建检索词库，后续基于检索词库进行意图识别分类，判断该问题是否属于该领域内的问题。通过相似句扩充（simbert）模型，将已有的问答对进行问题扩充后人工纠正，解决FAQ需要构建大量、标准的问答库，耗费大量人力的技术难点和缺点。将意图识别、问题扩充结合犀语自研的召回模型和排序模型完成该企业的制度合规问答系统，能快速、有效的回答员工问题，并且问题回答准确率高达95%以上。

• 召回模型：召回是为了快速检索与问题相关的候选答案，缩小选择范围。候选问题可利用双塔模型进行向量化，并进行向量存储，提高线上推理速度。

• 排序模型：排序采用交互模型将召回的候选问题按照相似度排序，交互模型可进行细粒度信息交互，更能区分问题之间的细粒度差异，提高回答准确率。