冬奥会领域问答机器人实验报告
吴俊亮 贾志杰 孙严顺 陈天宇
一、实验任务
本实验要求实现一个冬奥会领域的问答机器人：当输入一个有关冬奥会的问题时，机器
人会给出相应的答案。按照实验要求，输入和输出的文件均为 json 格式；除去初始加载模
型的时间，单次响应时间应在 500ms 以内。我们将提供的标注数据 1.xlsx 和标注数据 2.xlsx
转换成了 json 格式的训练集，读者可以参考 train_set.json。将提供的测试集.xlsx 转换成了 json
格式的测试集，读者可以参考 test_set.json。
二、实验设计
（一）实验原理
我们的总体设计思路是使用 python 的 gensim 库，采用 TF-IDF 模型+余弦相似度的方法
构建一个检索式问答系统。通过判断测试问题与训练集中问题的相似度，选择相似度最高的
训练集中问题的答案作为相应测试问题的答案。
1、 gensim 库
gensim 用于从原始的非结构化的文本中，无监督地学习到文本隐层的向量表达。gensim
有三大宏观概念：语料→向量→模型。
语料：语料是指一组语句的集合，这个集合是 gensim 的输入。在本次实验中语料即为
训练集的全部问题。收集语料之后，需要做一些预处理，对于英文就是根据空格将原来的句
子划分成单词。我们这里的预处理是使用 jieba 库把中文语句切分成词组。
向量：如果要对语句的隐含结构进行推断，就需要使用适当的数学模型：我们在这里使
用的方法是 doc2bow，也就是将语句转化为 bag-of-words（词袋）。在词袋向量中，每个句
子被表示成一个向量，代表字典中每个词出现的次数。例如，给定一个包含[‘2020’,‘冬奥
会’,‘举办地’, ‘金牌’]的字典，语句[‘2020’, ‘冬奥会’, ‘2020’]字可以表示成向量[(0,2),(1,1)]，
表示‘2020’（编号 0）出现了 2 次、 ‘冬奥会’（编号 1）出现了 1 次。词袋模型的一个重要
特点是，它完全忽略了单词在句子中出现的顺序，这也就是“词袋”这个名字的由来。
