总体分为两部分：第一部分关键词匹配，第二部分精准匹配，最后选择置信度最高的正确回答。
第一部分可使用 TF-IDF、LSI 等传统方法。
第二部分可使用 基于深度学习的问答系统。
本文主要构建第二部分，第一部分可参考：https://github.com/littleredhat1997/doc-similarity
-
http://www.tipdm.org/jingsa/1253.jhtml
train_data_complete.json、test_data_sample.json、submit_sample.txt => main/data 文件夹 -
https://spaces.ac.cn/archives/4338
me_train.json => generalization/data 文件夹
$ ......
1. word2vec/step.ipynb ->
word2vec/word2vec.ipynb
2. main/data/data.ipynb ->
main/data/1xxxxxx.ipynb
main/data/2xxxxxx.ipynb
main/data/3xxxxxx.ipynb
main/data/4xxxxxx.ipynb
main/data/5xxxxxx.ipynb
-> main/evaluate.ipynb
3. test/data/newdata.ipynb ->
test/data/data.ipynb ->
test/predict.ipynb ->
test/evaluate.ipynb
$ tree
.
├── word2vec
│ ├── step.ipynb
│ └── word2vec.ipynb
├── main
│ ├── data
│ │ └── data.ipynb
│ ├── 1_FastText.ipynb
│ ├── 2_CNN1.ipynb
│ ├── 3_CNN2.ipynb
│ ├── 4_BiLSTM.ipynb
│ ├── 5_Attention.ipynb
│ └── evaluate.ipynb
└── test
├── data
│ ├── data.ipynb
│ └── newdata.ipynb
├── evaluate.ipynb
└─── predict.ipynb
- FastText
- CNN
- Bi-LSTM
- Attention
