家好，我是海擁，專注于前端知識(shí)的分享。今天將給大家?guī)淼氖?400 個(gè)最常見的 JavaScript 面試問答第一部分。接下來我會(huì)持續(xù)更新（爭(zhēng)取日更，也可能每周3-5篇），每小節(jié)大概 10 道題左右，總共會(huì)有 400 多道。

大家一定要記得點(diǎn)贊收藏呀！！！

1.在 JavaScript 中創(chuàng)建對(duì)象的可行方法有哪些？

有很多方法可以在 javascript 中創(chuàng)建對(duì)象，如下所示

（1）.對(duì)象構(gòu)造函數(shù)：

創(chuàng)建空對(duì)象的最簡(jiǎn)單方法是使用 Object 構(gòu)造函數(shù)。目前不推薦這種方法。

var object = new Object();

（2）.對(duì)象的創(chuàng)建方法：

Object 的 create 方法通過將原型對(duì)象作為參數(shù)傳遞來創(chuàng)建一個(gè)新對(duì)象

var object = Object.create(null);

（3）.對(duì)象字面量語法：

當(dāng)傳遞 null 作為參數(shù)時(shí)，對(duì)象字面量語法等效于 create 方法

var object = {};

（4）.函數(shù)構(gòu)造器：

創(chuàng)建任何函數(shù)并應(yīng)用 new 運(yùn)算符來創(chuàng)建對(duì)象實(shí)例，

function Person(name){
var object = {};
object.name=name;
object.age=21;
return object;
}
var object = new Person("Sudheer");

（5）.帶有原型的函數(shù)構(gòu)造函數(shù)：

這類似于函數(shù)構(gòu)造函數(shù)，但它使用原型作為其屬性和方法，

function Person(){}
Person.prototype.name = "Sudheer";
var object = new Person();

這等效于使用具有函數(shù)原型的對(duì)象創(chuàng)建方法創(chuàng)建的實(shí)例，然后使用實(shí)例和參數(shù)作為參數(shù)調(diào)用該函數(shù)。

function func {};
new func(x, y, z);

（或者）

// 使用函數(shù)原型創(chuàng)建一個(gè)新實(shí)例。
var newInstance = Object.create(func.prototype)
// 調(diào)用函數(shù)
var result = func.call(newInstance, x, y, z),
// 如果結(jié)果是非空對(duì)象，則使用它，否則只使用新實(shí)例。
console.log(result && typeof result === 'object' ? result : newInstance);

（6）.ES6 類語法：

ES6 引入類特性來創(chuàng)建對(duì)象

class Person {
constructor(name) {
this.name = name;
}
}
var object = new Person("Sudheer");

（7）.單例模式：

Singleton 是一個(gè)只能實(shí)例化一次的對(duì)象。對(duì)其構(gòu)造函數(shù)的重復(fù)調(diào)用返回相同的實(shí)例，這樣可以確保它們不會(huì)意外創(chuàng)建多個(gè)實(shí)例。

var object = new function(){
this.name = "Sudheer";
}

2.什么是原型鏈？

原型鏈用于基于現(xiàn)有對(duì)象構(gòu)建新類型的對(duì)象。它類似于基于類的語言中的繼承。

對(duì)象實(shí)例上的原型可通過Object.getPrototypeOf(object)或proto屬性獲得，而構(gòu)造函數(shù)上的原型可通過Object.prototype 獲得。

3.call、apply、bind有什么區(qū)別？

Call、Apply 和 Bind 之間的區(qū)別可以用下面的例子來解釋，

call： call() 方法調(diào)用一個(gè)函數(shù)，給定的this值和參數(shù)一一提供

var employee1 = {firstName: 'Haiyong', lastName: 'Rodson'};
var employee2 = {firstName: 'Jimmy', lastName: 'Baily'};
function invite(greeting1, greeting2) {
console.log(greeting1 + ' ' + this.firstName + ' ' + this.lastName+ ', '+ greeting2);
}
invite.call(employee1, 'Hello', 'How are you?'); // Hello Haiyong Rodson, How are you?
invite.call(employee2, 'Hello', 'How are you?'); // Hello Jimmy Baily, How are you?

apply：調(diào)用具有給定this值的函數(shù)，并允許你將參數(shù)作為數(shù)組傳入

var employee1 = {firstName: 'Haiyong', lastName: 'Rodson'};
var employee2 = {firstName: 'Jimmy', lastName: 'Baily'};
function invite(greeting1, greeting2) {
console.log(greeting1 + ' ' + this.firstName + ' ' + this.lastName+ ', '+ greeting2);
}
invite.apply(employee1, ['Hello', 'How are you?']); // Hello Haiyong Rodson, How are you?
invite.apply(employee2, ['Hello', 'How are you?']); // Hello Jimmy Baily, How are you?

bind：返回一個(gè)新函數(shù)，允許你傳遞任意數(shù)量的參數(shù)

var employee1 = {firstName: 'Haiyong', lastName: 'Rodson'};
var employee2 = {firstName: 'Jimmy', lastName: 'Baily'};
function invite(greeting1, greeting2) {
console.log(greeting1 + ' ' + this.firstName + ' ' + this.lastName+ ', '+ greeting2);
}
var inviteEmployee1 = invite.bind(employee1);
var inviteEmployee2 = invite.bind(employee2);
inviteEmployee1('Hello', 'How are you?'); // Hello Haiyong Rodson, How are you?
inviteEmployee2('Hello', 'How are you?'); // Hello Jimmy Baily, How are you?

Call 和 apply 可以互換。兩者都立即執(zhí)行當(dāng)前函數(shù)。你需要決定是發(fā)送數(shù)組還是逗號(hào)分隔的參數(shù)列表更容易。你可以通過處理 Call 用于逗號(hào)（分隔列表）和 Apply 用于Array來記住。

而 Bind 創(chuàng)建一個(gè)新函數(shù)，該函數(shù)將this設(shè)置為傳遞給 bind() 的第一個(gè)參數(shù)。

4.什么是 JSON 及其常見操作？

JSON是一種基于文本的數(shù)據(jù)格式，遵循 JavaScript 對(duì)象語法，由道格拉斯·克羅克福德 (Douglas Crockford) 推行。 當(dāng)你想通過網(wǎng)絡(luò)傳輸數(shù)據(jù)時(shí)它很有用，它基本上只是一個(gè)擴(kuò)展名為 .json 的文本文件，以及一個(gè) MIME 類型的 application/json

解析：將字符串轉(zhuǎn)換為原生對(duì)象

JSON.parse(text)

字符串化：將本機(jī)對(duì)象轉(zhuǎn)換為字符串，以便可以通過網(wǎng)絡(luò)傳輸

JSON.stringify(object)

5. 數(shù)組slice()方法的目的是什么？

所述slice()方法返回在數(shù)組作為新的數(shù)組對(duì)象中選定的元件。它選擇從給定開始參數(shù)開始的元素，并在給定的可選結(jié)束參數(shù)處結(jié)束，不包括最后一個(gè)元素。如果省略第二個(gè)參數(shù)，則它會(huì)一直選擇到最后。

這種方法的一些例子是，

let arrayIntegers = [1, 2, 3, 4, 5];
let arrayIntegers1 = arrayIntegers.slice(0,2); // returns [1,2]
let arrayIntegers2 = arrayIntegers.slice(2,3); // returns [3]
let arrayIntegers3 = arrayIntegers.slice(4); //returns [5]

==注意==： Slice 方法不會(huì)改變?cè)紨?shù)組，而是將子集作為新數(shù)組返回。

6.數(shù)組splice()方法的目的是什么？

splice() 方法用于向/從數(shù)組添加/刪除項(xiàng)目，然后返回被刪除的項(xiàng)目。第一個(gè)參數(shù)指定插入或刪除的數(shù)組位置，而選項(xiàng)第二個(gè)參數(shù)指示要?jiǎng)h除的元素?cái)?shù)。每個(gè)附加參數(shù)都添加到數(shù)組中。

這種方法的一些例子是，

let arrayIntegersOriginal1 = [1, 2, 3, 4, 5];
let arrayIntegersOriginal2 = [1, 2, 3, 4, 5];
let arrayIntegersOriginal3 = [1, 2, 3, 4, 5];
let arrayIntegers1 = arrayIntegersOriginal1.splice(0,2); // returns [1, 2]; original array: [3, 4, 5]
let arrayIntegers2 = arrayIntegersOriginal2.splice(3); // returns [4, 5]; original array: [1, 2, 3]
let arrayIntegers3 = arrayIntegersOriginal3.splice(3, 1, "a", "b", "c"); //returns [4]; original array: [1, 2, 3, "a", "b", "c", 5]

==注意==： Splice 方法修改原始數(shù)組并返回刪除的數(shù)組。

7.slice()和splice()有什么區(qū)別？

表格形式的一些主要區(qū)別

8.你如何比較 Object 和 Map

Object 與Maps 的相似之處在于，它們都允許您將鍵設(shè)置為值、檢索這些值、刪除鍵以及檢測(cè)某個(gè)鍵是否存儲(chǔ)了某些內(nèi)容。由于這個(gè)原因，對(duì)象在歷史上被用作地圖。但是在某些情況下，使用 Map 有一些重要的區(qū)別。

• Object 的鍵是字符串和符號(hào)，而它們可以是 Map 的任何值，包括functions、Object 和任何primitive。
• Map 中的鍵是有序的，而添加到 Object 的鍵不是。因此，當(dāng)?shù)鼤r(shí)，一個(gè) Map 對(duì)象按插入的順序返回鍵。
• 您可以使用 size 屬性輕松獲取 Map 的大小，而 Object 中的屬性數(shù)量必須手動(dòng)確定。
• Map 是可迭代的，因此可以直接迭代，而迭代 Object 需要以某種方式獲取其鍵并對(duì)其進(jìn)行迭代。
• 一個(gè)對(duì)象有一個(gè)原型，所以如果你不小心，地圖中有一些默認(rèn)的鍵可能會(huì)與你的鍵發(fā)生沖突。從 ES5 開始，這可以通過使用 map =Object.create(null) 繞過，但很少這樣做。
• Map在涉及頻繁添加和刪除密鑰對(duì)的場(chǎng)景中可能表現(xiàn)得更好。

9.== 和 === 運(yùn)算符有什么區(qū)別？

JavaScript 提供了嚴(yán)格(===, !==) 和類型轉(zhuǎn)換(==, !=) 相等比較。嚴(yán)格運(yùn)算符考慮變量的類型，而非嚴(yán)格運(yùn)算符根據(jù)變量的值進(jìn)行類型校正/轉(zhuǎn)換。嚴(yán)格的運(yùn)算符遵循以下不同類型的條件，

1. 當(dāng)兩個(gè)字符串具有相同的字符序列、相同的長(zhǎng)度以及相應(yīng)位置的相同字符時(shí)，它們是嚴(yán)格相等的。
2. 當(dāng)兩個(gè)數(shù)字在數(shù)值上相等時(shí)，它們嚴(yán)格相等。即，具有相同的數(shù)值。這里有兩種特殊情況，

NaN 不等于任何東西，包括 NaN。
正零和負(fù)零彼此相等。

3. 如果兩個(gè)布爾操作數(shù)都為真或都為假，則兩個(gè)布爾操作數(shù)嚴(yán)格相等。
4. 如果兩個(gè)對(duì)象引用同一個(gè)對(duì)象，則它們嚴(yán)格相等。
5. Null 和 Undefined 類型與 === 不相等，但與 == 相等。即， null===undefined --> false 但 null==undefined --> true
   一些涵蓋上述情況的例子，

0 == false // true
0 === false // false
1 == "1" // true
1 === "1" // false
null == undefined // true
null === undefined // false
'0' == false // true
'0' === false // false
[]==[] or []===[] //false, 引用內(nèi)存中的不同對(duì)象
{}=={} or {}==={} //false, 引用內(nèi)存中的不同對(duì)象

10.什么是 lambda 或 箭頭函數(shù)？

箭頭函數(shù)是函數(shù)表達(dá)式的較短語法，沒有自己的this、arguments、super 或 new.target。這些函數(shù)最適合非方法函數(shù)，它們不能用作構(gòu)造函數(shù)。

希望大家能夠給海海 點(diǎn)贊+收藏+關(guān)注 ，你的支持是海海更新的動(dòng)力！后面我會(huì)持續(xù)分享面試經(jīng)驗(yàn) & 前端相關(guān)的專業(yè)知識(shí)。

最后祝大家都能找到滿意的實(shí)習(xí)和 offer！

位小伙伴們，繼續(xù)。接下來講解html基礎(chǔ)里面的簡(jiǎn)答題的內(nèi)容。

·什么是未否標(biāo)準(zhǔn)以及未否標(biāo)準(zhǔn)的構(gòu)成？在這里面未否標(biāo)準(zhǔn)也稱之為王爺標(biāo)準(zhǔn)，它是有一系列的標(biāo)準(zhǔn)構(gòu)成。這個(gè)地方有沒有問題？沒有。

·接下來主要講當(dāng)前對(duì)應(yīng)的內(nèi)容，就是結(jié)構(gòu)表現(xiàn)跟行為結(jié)構(gòu)。在這里面是干什么的？比如主要分為hxml和hxmtml兩部分。表現(xiàn)用來是做裝飾，裝飾哪些？板式顏色大小及外觀樣式。則css行為。

·網(wǎng)頁模型里面定義和交互編寫，通常包括動(dòng)模和ecmsk部分。在這里面可以演什么？叫做gs。

·在html中type標(biāo)記常用的屬性有哪些？這個(gè)東西就是屬于日常里面一定要會(huì)的alone水平對(duì)齊方式，寬度、高度、背景顏色、邊框。sailor spacex指的是單元格跟單元格之間的間距。sailor pending叫做表格內(nèi)部之間的邊距。在這里面之間解析過九十五的邊緣。

·這一部分內(nèi)容指的是什么？就是pending。sailor pendingfund在這里面可以理解什么？表格外部的框架。

·在這里面有對(duì)應(yīng)的內(nèi)容，基本上都有下列選項(xiàng)中填上正確代碼。我是et標(biāo)題，是不是只要寫個(gè)h1開頭，h1結(jié)尾，文字是不是寫p標(biāo)簽？這個(gè)應(yīng)該沒問題。

·減速html在vip標(biāo)準(zhǔn)中屬于哪個(gè)分層其作用？在這里面html是超文本標(biāo)記語言的簡(jiǎn)寫，是網(wǎng)頁三層中屬于當(dāng)前對(duì)應(yīng)的結(jié)構(gòu)層負(fù)責(zé)。在這里面定義當(dāng)前的內(nèi)容和羽翼不負(fù)責(zé)樣式跟行為樣式對(duì)應(yīng)的是css，行為對(duì)應(yīng)的是js。

·減速網(wǎng)頁中常用的三種圖像格式：gp、png跟jpg、png和gp的公優(yōu)點(diǎn)。在這里面gp優(yōu)點(diǎn)是什么？常用的圖片格式，而且質(zhì)量小便于傳輸，而且顏色會(huì)更加的逼真。

·缺點(diǎn)什么？不只是透明透明度，png是什么？就是支持透明透明度，有png-8跟png-24。

·缺點(diǎn)是什么？對(duì)瀏覽器的低端瀏覽器適應(yīng)不好。gp圖片支持透明且是動(dòng)效圖片，但缺點(diǎn)是什么？只能存不超過二五六顏色的內(nèi)容。

·在這里面對(duì)應(yīng)的信息可以暫停一下再讀一遍。如果想耍賴，其實(shí)在這里面把對(duì)方的優(yōu)點(diǎn)寫成對(duì)應(yīng)的缺點(diǎn)其實(shí)好像也是可以的，但是盡可能描述正確。

接下來請(qǐng)舉例常用的單標(biāo)跟雙標(biāo)。在這里面常用的雙標(biāo)就是所見到的這一系列常用的單標(biāo)是當(dāng)前的BR跟HE。

·在這里面也可以去補(bǔ)充一些，但是算不算常用其實(shí)應(yīng)該是主要一應(yīng)該叫什么，主要在寫的時(shí)候過程當(dāng)中知道的。

·在這里面請(qǐng)描述動(dòng)態(tài)資源跟靜態(tài)資源。首先要知道什么叫動(dòng)態(tài)，什么叫靜態(tài)。

→第一個(gè)要理解一個(gè)誤區(qū)，動(dòng)態(tài)不是指指的會(huì)動(dòng)就叫動(dòng)態(tài)。動(dòng)態(tài)一般指的是有數(shù)據(jù)的交互，數(shù)據(jù)的交互通常是網(wǎng)頁跟服務(wù)器之間的數(shù)據(jù)的發(fā)送信息，在這里面會(huì)導(dǎo)致頁面數(shù)據(jù)的更改。

→靜態(tài)資源是什么？就是直接加載會(huì)有一個(gè)具體的產(chǎn)線的內(nèi)容，所以在這里面可以看到天臺(tái)資源有未可服務(wù)器讀取后直接返回，只要服務(wù)器沒有修改這些文件，用戶每次訪問都是一模一樣的。

→而動(dòng)態(tài)資源是什么？隨著每次請(qǐng)求都需要計(jì)算，所以服務(wù)器里面如果在這里面當(dāng)前的人員對(duì)當(dāng)前的頁面已經(jīng)改變，就會(huì)在服務(wù)器上面對(duì)應(yīng)改，而下次傳回來的時(shí)候就有對(duì)應(yīng)的改變的內(nèi)容。

·接下來在這里面讀取當(dāng)前對(duì)應(yīng)的代碼。在這里面可以看到imagehrc這一整個(gè)，其實(shí)這里應(yīng)該是多了一個(gè)符號(hào)，這個(gè)符號(hào)應(yīng)該刪掉，所以它有點(diǎn)問題。這個(gè)表示加載不出來的時(shí)候顯示對(duì)應(yīng)內(nèi)容，這個(gè)是高度、寬度，這個(gè)是高度。

·這個(gè)波的是不是寫一個(gè)三對(duì)不對(duì)？完了之后在這里面懸停狀態(tài)時(shí)顯示logo的一個(gè)文本，這里面就推頭，在這里面就有對(duì)應(yīng)的效果。記住這里面一般不要加服，不要加單位，hcss的時(shí)候是一定要加單位的，h t m 5的時(shí)候是可以不加。

解釋一下什么是h5，在這里面h5不僅練習(xí)到新標(biāo)準(zhǔn)而且是h t m l和x h t m l的繼承跟發(fā)展。h5是一個(gè)向下兼容的版本，本質(zhì)上并不是什么新技術(shù)，而是在這個(gè)功能上做了一個(gè)極大的豐富，相當(dāng)于一個(gè)方案的整合。

分析下列代碼并回答問題，僅減速代碼的作用，并且描述每個(gè)標(biāo)記及其屬性的意義跟作用。

·首先p就是文本文檔里面展示了正在學(xué)習(xí)嵌套標(biāo)記，同時(shí)這里面的文本的對(duì)齊屬性按照居中文字傾斜且文字加粗的效果，就這樣子。

·在這里面什么什么描述等于什么什么什么什么什么描述等于什么，給它講清楚。

·請(qǐng)簡(jiǎn)要的描述htm語言中table常用的屬性有哪些？這個(gè)在題目里面其實(shí)已經(jīng)講了很多次了。對(duì)應(yīng)的邊框?qū)?yīng)的單元格跟單元格之間的距離，單元格內(nèi)部跟單元格邊框的距離，寬度、高度以及水平對(duì)齊方式。

·背景顏色和當(dāng)前的單音表格的背景。

·請(qǐng)簡(jiǎn)要描述定義列表的簽到形式。在這里面定義列表就是d l d t跟d d 其中d l，只能有一個(gè)d，d可以有多個(gè)，在這里面就有對(duì)應(yīng)的內(nèi)容不做描述，各位可以暫停簡(jiǎn)單的看一下。

·接下來是常用的圖像格式，分別減速它們的作用。其實(shí)這道題目講過了，常用的圖像有三種：png、png。png就是動(dòng)畫最多就二五六顏色，png常用于logo小圖標(biāo)和單一的顏色。其實(shí)游戲網(wǎng)頁里面gif用的會(huì)比較多，因?yàn)榭梢陨蓜?dòng)效的效果又是小動(dòng)效，而且加載的時(shí)候資源也不會(huì)占用很大。

如果放視頻，視頻再小也是很大的。png在這里面有png-8和png-24，當(dāng)然還有個(gè)png-32，一般用的比較少，默認(rèn)png-24。png的優(yōu)勢(shì)就是體積更小而且支持半透明，全透明和不透明都支持。

·接下來jpg，jpg的顏色會(huì)比gif和png來的更多，而且本身超過二五六顏色，所以基本上網(wǎng)頁里面的banana和商品圖片還有較大的圖片都常用jpg來進(jìn)行保存。

描述gif、mr與h5的區(qū)別，h5文檔格式與gif、mr文檔格式基本沒有太大差異，僅僅只是gif、mr5的文檔更加的簡(jiǎn)明扼要，以及文檔類型的聲明和編碼格式略有區(qū)別，其實(shí)gif、mr5的羽翼化更加明顯。

·接下來是什么叫相對(duì)路徑？什么叫絕對(duì)路徑？簡(jiǎn)單的說相對(duì)路徑就是通過當(dāng)前的文件去找對(duì)應(yīng)的內(nèi)容，上級(jí)點(diǎn)點(diǎn)斜杠，下級(jí)斜杠，等級(jí)直接找文件以及后綴名。而絕對(duì)路徑是通過盤符進(jìn)行指定查找，但是一般在做絕對(duì)路徑的時(shí)候不太建議，理由很簡(jiǎn)單，上傳到服務(wù)器的時(shí)候有些盤在服務(wù)器上面不一定有，就像前面講過的，常用的就在常用的瀏覽器有哪些，并不表示。

現(xiàn)實(shí)中常用的瀏覽器就是這些，我喜歡用qq瀏覽器，我喜歡用搜狐瀏覽器，這是常用的瀏覽器，但是它屬于五大瀏覽器嗎？它不屬于，就這么理解。怎樣的描述相對(duì)路徑？其實(shí)已經(jīng)描述過了，在這里看到的是一模一樣的。各位可以暫停稍微看一遍。

請(qǐng)描述htm文檔中注視標(biāo)記的作用，在這里面注視標(biāo)記是方便去理解當(dāng)前文檔里面的基本的代碼內(nèi)容，就是方便查找和理解，就這么簡(jiǎn)單。

接下來內(nèi)容也就講完了，希望各希望當(dāng)前的視頻對(duì)在座各位有一點(diǎn)點(diǎn)的幫助，謝謝。

讀：智能問答是人工智能領(lǐng)域中一個(gè)比較受關(guān)注的方向，目前廣泛應(yīng)用于各種垂直或綜合的搜索引擎、智能客服、智能助手以及智能手機(jī)、車載音箱等。本次分享的主題是QQ瀏覽器搜索中的智能問答技術(shù)，主要分為以下幾個(gè)部分：

1.背景介紹

• 智能問答在搜索中的應(yīng)用
• 搜索中的Top1問答

2.關(guān)鍵技術(shù)

• 搜索問答的技術(shù)框架
• KBQA：基于知識(shí)圖譜的問答
• DeepQA：基于搜索+機(jī)器閱讀理解的問答

3.前沿研究

• 端到端問答
• 知識(shí)指導(dǎo)的問答
• 多模態(tài)問答

01

背景介紹

1. 問答在搜索中的應(yīng)用

問答的核心是通過理解語言和運(yùn)用知識(shí)來進(jìn)行提問和回答。從應(yīng)用角度看，由于人類有獲取信息的需求和旺盛的好奇心，問答的場(chǎng)景無處不在；從研究角度看，問答是認(rèn)知智能的前沿之一。

問答在搜索場(chǎng)景的應(yīng)用可以分為兩類。一類是滿足用戶的直接搜索需求，即在搜索結(jié)果頁給用戶提供精準(zhǔn)的答案，例如Top1問答卡片。另一類是通過問答的方式與用戶交互，來幫助用戶澄清、細(xì)化和延伸需求，例如推薦和對(duì)話形式的問答。

2. 搜索中的Top1問答

下圖展示了QQ瀏覽器搜索中Top1問答的一些產(chǎn)品形態(tài)，包括短答案、長(zhǎng)答案、列表答案、視頻答案、集合和圖片答案。

--

02

關(guān)鍵技術(shù)

1. 搜索問答技術(shù)與系統(tǒng)

搜索中問答的明確需求占比接近1/4。這些問題不限領(lǐng)域，不限類型，一般可分成事實(shí)類和非事實(shí)類。搜索中問答的數(shù)據(jù)源是多種多樣的。從資源類型上看，包括網(wǎng)頁、UGC（用戶生產(chǎn)內(nèi)容，如社區(qū)問答）和PGC（專業(yè)生產(chǎn)內(nèi)容，例如自媒體號(hào)）。從文本的組織形態(tài)上來講，數(shù)據(jù)可以分成結(jié)構(gòu)化、半結(jié)構(gòu)化和無結(jié)構(gòu)化三種。結(jié)構(gòu)化的數(shù)據(jù)具有一定約束，以知識(shí)圖譜為代表；半結(jié)構(gòu)化數(shù)據(jù)的典型代表是開放生態(tài)構(gòu)建或者從社區(qū)問答抽取的具有一定格式的問答對(duì)數(shù)據(jù)；無結(jié)構(gòu)化數(shù)據(jù)廣泛存在，例如普通的網(wǎng)頁文本。

搜索中的問答技術(shù)主要分為KBQA和DeepQA。

KBQA指基于知識(shí)圖譜的問答，面向的是結(jié)構(gòu)化數(shù)據(jù)，底層是離線構(gòu)建的知識(shí)圖譜，在線通過問題解析、圖譜查詢和推理得到答案，主要適用于事實(shí)類問題。

DeepQA是一系列基于搜索和機(jī)器閱讀理解（MRC）的問答技術(shù)，可以處理更廣泛的非結(jié)構(gòu)化數(shù)據(jù)，基于離線問答內(nèi)容構(gòu)建和理解，在線通過搜索獲得候選文檔、使用機(jī)器閱讀理解技術(shù)來抽取答案，能解決更多問題需求類型。在實(shí)際應(yīng)用中，針對(duì)不同類型的數(shù)據(jù)，我們構(gòu)建了三套DeepQA系統(tǒng)，分別是優(yōu)質(zhì)問答數(shù)據(jù)源上的獨(dú)立檢索系統(tǒng)、全網(wǎng)搜索結(jié)合在線MRC的通用問答系統(tǒng)、以及端到端問答系統(tǒng)。

下圖右側(cè)展示的是搜索問答系統(tǒng)的整體架構(gòu)。離線部分是問答內(nèi)容的構(gòu)建和理解，比如對(duì)專業(yè)生產(chǎn)內(nèi)容做質(zhì)量和權(quán)威性分析、從全網(wǎng)數(shù)據(jù)中進(jìn)行問答對(duì)的挖掘和選取等；數(shù)據(jù)源包括網(wǎng)頁庫、優(yōu)質(zhì)問答庫和知識(shí)圖譜；在線部分包括搜索問答結(jié)果的召回和排序、段落匹配和答案抽取、知識(shí)圖譜檢索和推理計(jì)算等，以及問答融合決策從多源結(jié)果中決定最終展現(xiàn)給用戶的答案。

2. KBQA：基于知識(shí)圖譜的問答系統(tǒng)

圖譜問答系統(tǒng)的數(shù)據(jù)依據(jù)不同實(shí)體更新的要求分為三路，數(shù)據(jù)通過直接的三元組索引查詢或者圖數(shù)據(jù)庫存儲(chǔ)檢索系統(tǒng)應(yīng)用。

在線圖譜問答的流水線之一是語義解析的方法，系統(tǒng)先對(duì)查詢進(jìn)行領(lǐng)域分類以裝配不同類型的處理流程（例如漢語詩詞類、單實(shí)體類、多實(shí)體關(guān)系類），然后對(duì)查詢進(jìn)行語法樹分析和形式邏輯規(guī)約，在三元組中遞歸查詢和拼裝得到最終答案。該方法的優(yōu)點(diǎn)是支持一些復(fù)雜的查詢推理，且在規(guī)則適用的范疇內(nèi)準(zhǔn)確率較高。另一種流水線是基于深度學(xué)習(xí)的方法，系統(tǒng)首先識(shí)別出具有問答意圖的查詢，然后通過深度模型識(shí)別查詢問題中的實(shí)體，對(duì)實(shí)體屬性和查詢表達(dá)進(jìn)行深度語義匹配映射，計(jì)算出候選結(jié)果并進(jìn)行清洗和排序得到答案。該方法的優(yōu)點(diǎn)是對(duì)查詢語義理解較好，泛化性強(qiáng)，召回率較高。

3. DeepQA：基于搜索+機(jī)器閱讀理解的問答系統(tǒng)

下面主要圍繞DeepQA相關(guān)工作展開介紹。

早期的DeepQA系統(tǒng)具有非常復(fù)雜的流水線，例如IBM的Waston，以及2017年第一版“立知“問答。系統(tǒng)包括多個(gè)數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)模塊，在問題分析、答案候選的特征抽取、評(píng)分排序等諸多環(huán)節(jié)都可能有錯(cuò)誤的傳播和積累，可擴(kuò)展性不強(qiáng)。2017年以后，斯坦福的陳丹琦等人提出了一個(gè)面向規(guī)模文檔集的開放域問答系統(tǒng)——DrQA，系統(tǒng)定義了一種新的開放域問答實(shí)現(xiàn)方式，即通過檢索和深度機(jī)器閱讀理解（MRC）產(chǎn)生答案。在SQuAD等公開數(shù)據(jù)集和評(píng)測(cè)的推動(dòng)下，深度機(jī)器閱讀理解發(fā)展迅速，在查詢和文檔語義建模、上下文信息交互建模、答案抽取和預(yù)測(cè)方式建模上都不斷涌現(xiàn)新的方法，2019年機(jī)器閱讀理解系統(tǒng)甚至在事實(shí)類問答上超過了人類水平。

然而在真實(shí)的搜索場(chǎng)景中，DeepQA仍然面臨著很多挑戰(zhàn)。首先是用戶的需求紛繁復(fù)雜，表達(dá)方式也千差萬別，而互聯(lián)網(wǎng)數(shù)據(jù)規(guī)模巨大，需求檢索匹配的難度很大。其次是網(wǎng)頁數(shù)據(jù)多種多樣，頁面類型和格式繁多、質(zhì)量參差、答案的形式不一，機(jī)器閱讀理解面臨較大的挑戰(zhàn)。

下面介紹一些應(yīng)對(duì)搜索場(chǎng)景的問題我們所做的工作。

（1）短答案MRC

短答案MRC任務(wù)的定義是從搜索結(jié)果的多個(gè)文檔中抽取唯一的答案片段，并提供支持答案的文本來源。這個(gè)任務(wù)會(huì)面臨以下一些挑戰(zhàn)：

①搜索結(jié)果噪聲過多

噪聲包括不相關(guān)結(jié)果、不一致答案等。短答案抽取模型是一個(gè)多文檔段落抽取的模型，我們將搜索排名topN（常用N=10）的文檔段落輸入到BERT中進(jìn)行表示建模，然后預(yù)測(cè)段落中答案的起始位置。為了解決輸入文檔不相關(guān)的問題，我們將“答案存在性判別”和“答案起止位置預(yù)測(cè)”兩個(gè)目標(biāo)進(jìn)行聯(lián)合訓(xùn)練；為了應(yīng)對(duì)各文檔的答案不一致問題，我們加入了多文檔交互，將多個(gè)文檔中包含答案概率最大的片段拼接起來進(jìn)行建模，信息融合之后再預(yù)測(cè)文檔包含答案的概率。

②答案出現(xiàn)常識(shí)性錯(cuò)誤

常識(shí)性錯(cuò)誤即模型輸出無意義答案，例如邊界錯(cuò)誤、答案類型錯(cuò)誤。我們的做法是引入一些外部知識(shí)，例如百科、知識(shí)圖譜等，給候選文檔中符合答案類型的實(shí)體打上特殊的標(biāo)記，在建模過程中加強(qiáng)對(duì)它們的關(guān)注。

③魯棒性問題

這里魯棒性問題指的是由于過擬合導(dǎo)致模型輸出不穩(wěn)定。Dropout是一種有效的減少過擬合的方式，但它的缺點(diǎn)是不能保持輸出的一致性。我們應(yīng)用了R-Drop，通過將Dropout作用于輸出層，降低了訓(xùn)練和測(cè)試的不一致性，同時(shí)引入對(duì)稱KL散度作為正則項(xiàng)，增強(qiáng)了輸出的穩(wěn)定性。在實(shí)驗(yàn)過程中，我們發(fā)現(xiàn)對(duì)輸出層使用兩次dropout效果較好。此外我們還對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行了同語義問題的數(shù)據(jù)增強(qiáng)，加入相同語義query下的段落輸出部分的KL-Loss，增強(qiáng)了模型的穩(wěn)定性。

④答案歸一化和多span問題

在抽取式閱讀理解中，由于多文檔表述的不一致，往往會(huì)遇到答案歸一化的問題，比如“安全帶使用期限是幾年”的問題答案可能有“3到5年”、“3年至5年等”；而且還有答案并不是連續(xù)判斷，比如“沉魚落雁指的是誰”這個(gè)問題中，答案可能對(duì)應(yīng)文檔中兩個(gè)片段（span）。為了解決上述問題，我們嘗試用生成式閱讀理解方法，以Fusion-in-Decoder（FiD）為例，將檢索得到的多文檔分別進(jìn)行編碼表示，拼接起來輸入到decoder生成統(tǒng)一的答案。

實(shí)踐中利用大規(guī)模點(diǎn)擊日志文檔生成查詢進(jìn)行預(yù)訓(xùn)練，利用短答案日志構(gòu)建大量弱監(jiān)督數(shù)據(jù)進(jìn)行自訓(xùn)練，有效提升了生成式閱讀理解的效果。由于生成模型輸出的答案得分其實(shí)是語言模型的困惑度，不能很好地刻畫答案本身的置信度，我們訓(xùn)練了一個(gè)生成答案的置信度預(yù)測(cè)模型，對(duì)答案輸出進(jìn)行決策。

（2）長(zhǎng)答案MRC

相比短答案，長(zhǎng)答案MRC受到的研究關(guān)注相對(duì)較少，一方面因?yàn)閱栴}更加復(fù)雜，數(shù)據(jù)集稀缺，另一方面因?yàn)殚L(zhǎng)答案在內(nèi)容和表達(dá)方式上有不確定性，評(píng)價(jià)起來也相對(duì)較難。

搜索場(chǎng)景中長(zhǎng)答案和短答案主要有以下幾個(gè)方面的差異：

①長(zhǎng)答案MRC-組合式問答

針對(duì)長(zhǎng)答案包含信息量大、不連續(xù)的特點(diǎn)，我們提出了一種“組合式問答”的任務(wù)形式：從搜索結(jié)果的單個(gè)文檔中抽取出一組片段來合成精選摘要答案。任務(wù)輸入為給定問題和文檔的完整片段組合，輸出為答案片段組合。評(píng)價(jià)方式為片段預(yù)測(cè)的F1和人工評(píng)價(jià)相結(jié)合。

組合式問答模型的整體框架基于BERT，輸入是問題和進(jìn)行了啟發(fā)式分句的文檔句子序列，輸出是每個(gè)句子是否是答案的概率。我們引入了兩個(gè)非常有用的設(shè)計(jì)。

第一個(gè)是引入頁面的結(jié)構(gòu)信息。由于網(wǎng)頁的HTML能夠一定程度上反映頁面結(jié)構(gòu)、文本關(guān)聯(lián)以及展示內(nèi)容的重要度等特征，我們選擇了部分網(wǎng)頁標(biāo)簽作為符號(hào)輸入到模型中。

第二個(gè)是引入針對(duì)性的預(yù)訓(xùn)練任務(wù)。—般預(yù)訓(xùn)練都是建模句子級(jí)別的關(guān)系，沒有有效挖掘文檔結(jié)構(gòu)的信息；我們引入了兩類相關(guān)的預(yù)訓(xùn)練任務(wù)，一類是問題選擇（QS），即隨機(jī)替換一個(gè)問題并預(yù)測(cè)；另一類是節(jié)點(diǎn)選擇（NS），可以對(duì)句子和符號(hào)進(jìn)行隨機(jī)替換或打亂順序。這樣的預(yù)訓(xùn)練任務(wù)可以讓模型更深刻地理解問題和長(zhǎng)文本的內(nèi)容。

由于文檔具有層級(jí)結(jié)構(gòu)，一個(gè)自然的想法是利用圖網(wǎng)絡(luò)來建模。我們嘗試在模型輸出側(cè)增加圖網(wǎng)絡(luò)，將句子中詞的連接、句子之間的連接以及問題和句子的連接用圖結(jié)構(gòu)表示并通過Attention Mask實(shí)現(xiàn)，實(shí)驗(yàn)表明加入層次結(jié)構(gòu)信息的效果提升明顯。

長(zhǎng)答案閱讀理解中同樣可以采用短答案閱讀理解類似的思路：（1）同時(shí)預(yù)測(cè)文檔可答概率和答案句子概率；（2）引入門機(jī)制學(xué)習(xí)文檔和句子的關(guān)系；（3）使用R-drop提升魯棒性。

我們發(fā)現(xiàn)模型對(duì)問題的理解仍然不夠充分。舉一個(gè)極端的例子：當(dāng)不輸入問題，直接針對(duì)文檔預(yù)測(cè)長(zhǎng)答案，模型仍然能夠達(dá)到一定的抽取效果。說明閱讀理解模型輸出的答案受到文檔本身的影響較大，而對(duì)問題的關(guān)注不夠。為了解決這個(gè)問題，我們做了一些數(shù)據(jù)樣本增強(qiáng)和對(duì)抗的工作。一方面通過主動(dòng)學(xué)習(xí)不斷優(yōu)化訓(xùn)練數(shù)據(jù)，讓模型學(xué)習(xí)到更多不會(huì)的能力，另一方面通過點(diǎn)擊日志挖掘同一個(gè)文檔下語義相同或不同的query。由于同一個(gè)文檔中的不同部分可以回答不同的問題，這樣可以讓模型更關(guān)注問題相關(guān)的信息，而不是文檔本身。

（3）長(zhǎng)答案MRC-判斷類觀點(diǎn)問答

對(duì)于判斷類觀點(diǎn)問答任務(wù)，考慮到用戶不會(huì)僅僅滿足于論斷，而會(huì)更關(guān)心論據(jù)，我們?cè)O(shè)計(jì)了一個(gè)模型，首先抽取能夠回答問題的長(zhǎng)答案，即論據(jù)，然后根據(jù)該論據(jù)做論斷的分類，產(chǎn)生一個(gè)短答案。

模型的整體結(jié)構(gòu)是基于長(zhǎng)答案模型結(jié)構(gòu)的改進(jìn)，在抽取長(zhǎng)答案的同時(shí)，將query、title和長(zhǎng)答案抽取過程中最高概率答案句拼接起來輸入判斷模塊。通過論據(jù)抽取和論點(diǎn)分類兩個(gè)目標(biāo)的聯(lián)合學(xué)習(xí)，模型可以解決短答案抽取無法解決的問題。比如在下圖的例子中，對(duì)于“把兔子關(guān)在籠子里好嗎”這個(gè)問題，短答案抽取并不能直接抽取出“好”或者“不好”的答案片段，而通過分類可以知道它是一個(gè)否定的回答。

（4）問答式搜索

DeepQA的一個(gè)重要部分是從大規(guī)模數(shù)據(jù)檢索出相關(guān)候選文檔，才能通過閱讀理解模型抽取答案。傳統(tǒng)搜索更關(guān)注相關(guān)性，即文檔和問題相關(guān)，而問答更關(guān)注檢索結(jié)果是否能回答問題，這是問答式搜索和傳統(tǒng)搜索的不同。

問答式搜索系統(tǒng)需要一種更細(xì)粒度、更精準(zhǔn)的語義檢索匹配方式。稠密段落檢索，即通過深度語義表示學(xué)習(xí)，從大規(guī)模文本中檢索出和查詢相關(guān)的段落，包括自然段、任意句子、詞片段。稠密段落檢索是稠密向量檢索的一種。傳統(tǒng)基于關(guān)鍵字詞構(gòu)建的倒排檢索（稀疏檢索），雖能精確地召回結(jié)果，但是會(huì)面臨比較嚴(yán)重的語義鴻溝問題；而稠密向量檢索是解決查詢和文檔之間語義鴻溝的有效手段，但是從符號(hào)到向量的表示過程損失了一定的語義。所以需要對(duì)稠密向量表示進(jìn)行優(yōu)化，并設(shè)計(jì)合適的向量檢索和語義匹配方法。

問答式搜索也是一個(gè)從大規(guī)模數(shù)據(jù)到少量能抽取答案的文檔的金字塔式篩選過程。為了提高在線服務(wù)效率，在面向海量數(shù)據(jù)的召回和初排階段一般使用非交互式匹配模型，待檢索到一定規(guī)模的相關(guān)候選后再采用更精細(xì)化也更加耗時(shí)的交互式匹配模型。交互式和非交互式匹配模型各有其優(yōu)缺點(diǎn)，如圖所示。

• 稠密段落檢索模型

我們選用非交互式異形雙塔模型進(jìn)行稠密段落檢索的Query-Passage語義表示學(xué)習(xí)。通過網(wǎng)頁搜索日志和問答對(duì)數(shù)據(jù)可以獲取大量的正負(fù)樣本，從而進(jìn)行大規(guī)模對(duì)比學(xué)習(xí)。

這里介紹一種向量表示的優(yōu)化方法——Barlow-Twins。通過在訓(xùn)練目標(biāo)里加上一個(gè)相關(guān)性去除目標(biāo)，降低向量表示的冗余性，使得訓(xùn)練出來的向量在空間的分布非常均勻。

負(fù)采樣方法是對(duì)比學(xué)習(xí)中非常重要的一環(huán)，對(duì)稠密向量表示效果有很大影響，我們對(duì)負(fù)采樣進(jìn)行了兩個(gè)方面的優(yōu)化：

一個(gè)是很多相關(guān)工作都會(huì)采用的Cross-batch負(fù)采樣，在多 GPU 并行訓(xùn)練時(shí)，將其它 GPU 批次內(nèi)的全部段落作為當(dāng)前問題的負(fù)樣本，極大地增加了負(fù)樣本數(shù)，也使得訓(xùn)練效率得到很大提升。Cross-batch負(fù)采樣還能緩解訓(xùn)練和推理時(shí)負(fù)樣本分布的不一致性，因?yàn)樵趩柎鹗剿阉髦校Ｐ托枰獜拇笠?guī)模數(shù)據(jù)集中找到相關(guān)答案候選，但訓(xùn)練過程見到的查詢段落樣本通常遠(yuǎn)小于預(yù)測(cè)時(shí)的候選數(shù)據(jù)規(guī)模，這會(huì)導(dǎo)致模型在訓(xùn)練時(shí)表現(xiàn)良好而在應(yīng)用中不夠好。

另一個(gè)是提升負(fù)樣本的質(zhì)量。一方面需要讓負(fù)樣本對(duì)模型來說更難，這樣能學(xué)習(xí)到更多的知識(shí)。另一方面要盡可能少地引入False Negative樣本。我們提出了混合降噪負(fù)采樣策略：先通過非降噪負(fù)采樣，例如已有的召回模型（BM25、初始訓(xùn)練的召回模型等）進(jìn)行Top-K采樣，這樣得到的樣本相對(duì)較難，當(dāng)然也會(huì)引入一些False Negative；然后進(jìn)行降噪負(fù)采樣，通過訓(xùn)練一個(gè)Re-ranker對(duì)樣本進(jìn)行篩選，去除實(shí)際可能是正例的噪聲；兩者結(jié)合訓(xùn)練，實(shí)驗(yàn)證明效果提升非常明顯。

• Query-Passage交互匹配模型

召回階段的核心任務(wù)是區(qū)分答案相關(guān)和不相關(guān)的候選，召回之后就需要通過匹配更進(jìn)一步排序這些候選文檔。這里簡(jiǎn)要介紹一下我們的Query-Passage交互匹配模型。

模型訓(xùn)練主要分三個(gè)階段，首先利用大規(guī)模網(wǎng)頁數(shù)據(jù)，包括百科、微信、知乎以及問答點(diǎn)擊頁面等多樣的數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練；接下來是對(duì)比式弱監(jiān)督訓(xùn)練，通過點(diǎn)擊和曝光未點(diǎn)擊數(shù)據(jù)、問答對(duì)結(jié)合負(fù)采樣構(gòu)造正負(fù)樣本；最后在人工標(biāo)注的問答匹配數(shù)據(jù)上進(jìn)行訓(xùn)練。人工標(biāo)注的樣本有四類標(biāo)簽，分別是完全不相關(guān)、相關(guān)、能部分回答問題、能完整地很好回答問題。為了進(jìn)一步提升模型效果，我們還使用了自訓(xùn)練技術(shù)，利用人工標(biāo)注數(shù)據(jù)訓(xùn)練模型之后，通過該模型進(jìn)行大量的自動(dòng)化標(biāo)注并從中篩選一些高質(zhì)量標(biāo)注數(shù)據(jù)，繼續(xù)訓(xùn)練原始模型。多次迭代之后，模型的泛化性能會(huì)有較大的提升。

--

03

前沿研究

下面介紹開放域智能問答的一些相關(guān)前沿研究和進(jìn)展。

1. 端到端問答

近年來關(guān)于開放域端到端問答的研究如火如荼，下圖摘自ACL 2020 Tutorial: Open domain question and answering，對(duì)端到端問答系統(tǒng)發(fā)展的總結(jié)。

第一代端到端問答模型采取兩階段的方式，通過檢索器和閱讀器串聯(lián)來進(jìn)行答案提取，例如DrQA；前面我們所講的DeepQA系統(tǒng)也是遵循這種范式的設(shè)計(jì)；第二代的模型為閱讀器和檢索器聯(lián)合優(yōu)化的模型，如R3、DenSPI；第三代的模型不需要檢索器，直接通過模型生成答案，如T5、GPT3。

檢索器和閱讀器的聯(lián)合優(yōu)化是一個(gè)難點(diǎn)。一種方法是將檢索的文檔看做隱變量，依靠EM優(yōu)化語義表示模型和生成模型，即通過閱讀器的輸出概率作為檢索器優(yōu)化的目標(biāo)，反過來再基于檢索器的輸出優(yōu)化閱讀器的輸出概率。這樣交替進(jìn)行同時(shí)提升閱讀器和檢索器的效果。我們嘗試了一種Hard-EM的方法，直接把預(yù)測(cè)答案是否包含于檢索文檔作為硬匹配信號(hào)來優(yōu)化文檔檢索的過程。如下圖所示，通過答案硬匹配文檔獲得訓(xùn)練三元組<q, d, a>，然后訓(xùn)練FiD答案抽取模型，再利用新的答案抽取模型預(yù)測(cè)出來的更優(yōu)質(zhì)的答案，繼續(xù)硬匹配和過濾候選文檔輸入。幾輪循環(huán)之后答案抽取的EM和F1指標(biāo)均得到提升。

2. 知識(shí)指導(dǎo)的問答

如何在深度模型中引入知識(shí)也是問答研究的熱點(diǎn)。真實(shí)場(chǎng)景中有很多問題需要知識(shí)推理，比如“小汽車科目二多少分及格”這個(gè)問題，示例的法規(guī)文本里沒有明確的描述，但是可以根據(jù)推理得到答案；“葡萄籽油的食用方法”這個(gè)問題，不同答案中包含的“知識(shí)點(diǎn)”相互存在沖突和分歧，需要進(jìn)行知識(shí)驗(yàn)證。

知識(shí)指導(dǎo)的問答相關(guān)工作，有一種是把特定的知識(shí)輸入到答案抽取模型一起學(xué)習(xí)，比如K-BERT，把原輸入中實(shí)體所涉及到的三元組通過軟位置編碼的方式融合到輸入中，從而引入了實(shí)體相關(guān)的知識(shí)。另一類方法是通過知識(shí)增強(qiáng)的預(yù)訓(xùn)練模型提升下游任務(wù)的效果。

QQ瀏覽器搜索內(nèi)容技術(shù)團(tuán)隊(duì)還提出了一種知識(shí)增強(qiáng)預(yù)訓(xùn)練的方法，該模型引入了三類知識(shí)性任務(wù)，包括遠(yuǎn)程關(guān)系監(jiān)督分類、三元組文本mask預(yù)測(cè)、以及同類實(shí)體替換預(yù)測(cè)，訓(xùn)練過程中將這三類任務(wù)和語言模型任務(wù)結(jié)合在一起訓(xùn)練。為了保證原始模型的參數(shù)在訓(xùn)練過程中不會(huì)有災(zāi)難性遺忘，設(shè)計(jì)了一個(gè)新的知識(shí)記憶結(jié)構(gòu)，將原有模型的所有參數(shù)固定住，只用這個(gè)新的知識(shí)記憶矩陣承載上面多任務(wù)引入的知識(shí)。實(shí)驗(yàn)證明知識(shí)增強(qiáng)的預(yù)訓(xùn)練在很多下游任務(wù)上都能夠獲得一定的提升，尤其是在上下文不充分的短文本任務(wù)上。

3. 多模態(tài)問答

當(dāng)前越來越多的優(yōu)質(zhì)內(nèi)容以視頻形式存在，從文本答案到視頻答案也是一個(gè)大的趨勢(shì)。基于視頻載體的問答需要對(duì)視頻內(nèi)容進(jìn)行感知分析+語義分析，進(jìn)而通過顯示/隱式的語義表示和計(jì)算（檢索、匹配、閱讀、生成）得到視頻化的答案。

我們現(xiàn)在做的一個(gè)比較初步的工作是利用視頻的語音和字幕進(jìn)行視頻文本化，然后通過閱讀理解結(jié)合文本生成的技術(shù)進(jìn)行視頻答案摘要，通過文本生成和字幕時(shí)間匹配，還能得到視頻分段以及關(guān)鍵幀標(biāo)簽。右圖是我們?cè)谝曨l問答做出來的短答案摘要的效果，相對(duì)于文本答案可以給用戶提供更多便捷性的幫助。未來還有更多基于多模態(tài)內(nèi)容的問答研究值得探索。

--

04

Q&A

Q1：針對(duì)用戶的query，KBQA和DeepQA的執(zhí)行順序是什么?

A1：兩者是同步進(jìn)行的，最后根據(jù)答案產(chǎn)生的情況做決策。DeepQA這邊還會(huì)有一個(gè)問題分類的模塊，判斷問題的答案是短答案還是長(zhǎng)答案。所以底層是多個(gè)系統(tǒng)的并行，包括KBQA系統(tǒng)、短答案系統(tǒng)和長(zhǎng)答案系統(tǒng)。

Q2：自己嘗試后發(fā)現(xiàn)DeepQA的響應(yīng)非常慢，工業(yè)應(yīng)用中通過什么方式來提高問答響應(yīng)的速度?

A2：響應(yīng)的速度分為兩個(gè)方面，檢索模塊和閱讀理解模塊的響應(yīng)。需要看這兩部分分別耗時(shí)，也需要分別優(yōu)化。檢索模塊往往會(huì)通過分層篩選的方式來限制輸入文本的數(shù)量。計(jì)算越復(fù)雜的模塊，輸入文本數(shù)量越少。召回階段我們采用非交互式模型快速獲得相關(guān)文本，排序階段再使用更復(fù)雜的交互式模型進(jìn)行少量精細(xì)化計(jì)算。最后閱讀理解模塊的文本輸入相對(duì)更少了，目前只針對(duì)Top10結(jié)果去做計(jì)算。以上是系統(tǒng)層面的優(yōu)化。

具體到模型優(yōu)化的話，可能就會(huì)需要具體看輸入的文本長(zhǎng)度、模型復(fù)雜度，模型所使用的推理系統(tǒng)，推理器和硬件的匹配情況等。最主要的是需要去分析響應(yīng)時(shí)間慢的瓶頸的問題，然后再針對(duì)性解決。

Q3：針對(duì)用戶的query也會(huì)有拼寫糾錯(cuò)的處理，什么時(shí)候會(huì)觸發(fā)這個(gè)處理？怎么處理?

A3：糾錯(cuò)不是問答獨(dú)有的問題，是整個(gè)搜索系統(tǒng)面臨的問題。在搜索的最開始也就是查詢分析的模塊，不僅有糾錯(cuò)，還有查詢的分詞，查詢重要度的分析，查詢?cè)~之間的關(guān)系分析等。糾錯(cuò)往往是搜索前置的模塊，糾錯(cuò)之后的處理也會(huì)有不同，比如對(duì)置信度非常高的糾錯(cuò)，可以直接修改查詢。系統(tǒng)更保險(xiǎn)的做法是觸發(fā)二次查詢，也就是將原詞的搜索結(jié)果和糾錯(cuò)后的搜索結(jié)果同時(shí)拿到，然后再根據(jù)結(jié)果的反饋綜合決策。

今天的分享就到這里，謝謝大家。

分享嘉賓：姚婷 騰訊 專家研究員

編輯整理：王惠靈 合肥工業(yè)大學(xué)

出品平臺(tái)：DataFunTalk

01/分享嘉賓

姚婷｜騰訊 專家研究員

畢業(yè)于清華大學(xué)計(jì)算機(jī)系，從事自然語言處理、搜索排序、智能問答方向的研究工作，負(fù)責(zé)主導(dǎo)了搜狗搜索“立知”問答系統(tǒng)研發(fā)。目前擔(dān)任騰訊PCG搜索應(yīng)用部專家研究員，負(fù)責(zé)QQ瀏覽器搜索中智能問答技術(shù)的研究和落地應(yīng)用。

02/關(guān)于我們

DataFun：專注于大數(shù)據(jù)、人工智能技術(shù)應(yīng)用的分享與交流。發(fā)起于2017年，在北京、上海、深圳、杭州等城市舉辦超過100+線下和100+線上沙龍、論壇及峰會(huì)，已邀請(qǐng)超過2000位專家和學(xué)者參與分享。其公眾號(hào) DataFunTalk 累計(jì)生產(chǎn)原創(chuàng)文章700+，百萬+閱讀，14萬+精準(zhǔn)粉絲。