基于神经网络的问答系统研究综述.docVIP

基于神经网络的问答系统研究综述

一、问答系统的技术演进脉络

问答系统的发展本质上是自然语言处理技术迭代的缩影。早期的问答系统诞生于20世纪60年代，以基于规则的专家系统为核心，典型代表如MIT开发的ELIZA，通过预设的模式匹配规则模拟心理医生对话，仅能处理限定领域的固定句式问题，泛化能力几乎为零。进入21世纪后，统计自然语言处理技术兴起，基于信息检索的问答系统成为主流，这类系统首先通过搜索引擎召回与问题相关的文档集合，再利用TF-IDF、BM25等算法计算问题与候选答案的语义相似度，最终排序输出最优结果。但此类方法依赖人工设计的特征工程，无法深度理解语言的语义歧义与上下文关联，在处理复杂推理类问题时性能瓶颈显著。

2012年AlexNet在图像识别领域的突破推动了深度学习技术向NLP领域渗透，基于神经网络的问答系统正式登上历史舞台。早期的神经网络问答模型以循环神经网络（RNN）及其变体长短时记忆网络（LSTM）、门控循环单元（GRU）为核心，通过对问题和答案文本的序列编码捕捉语义信息，相比传统方法首次实现了端到端的特征学习，无需人工干预特征提取过程。2018年BERT预训练语言模型的出现成为问答系统发展的关键转折点，基于Transformer架构的预训练模型通过大规模无标注文本的预训练学习到通用语言表示，在下游问答任务中仅需少量微调即可获得显著性能提升，将开放域问答的准确率提