是也不是，听起来不错，但很大程度上取决于向导的复杂程度。一个简单的基于规则的算法可能会非常有用并且更容易实现。

如果您真的想尝试（例如出于学习目的），瓶颈可能是最初训练模型所需的数据。甚至在您的 ML 向导存在之前，您就应该有足够的用户查询（或至少模拟查询），以便模型可以学习。

如果这是您工作需要的东西，我会考虑咨询具有 ML/数据科学经验的人，了解您需要的具体细节。

希望，这至少有一点帮助。

最好的问候， 雅库布

这里缺乏细节，但问题很有趣，听起来有点像 QA 聊天机器人（你可以阅读更多关于这些的内容）。我对这个解决方案可行的想法：

1. 如果您想在此处使用深度学习，应该有足够数量的向导用户来收集必要数量的数据。如果你在使用向导时只有几百个案例，算了，使用一些简单的统计分析（如线性回归、朴素贝叶斯等）。
2. 对于收集到的数据足够多变以涵盖不同的情况，在收集数据时应该有一些随机化 - 有时向导应该以不同的顺序提出问题，甚至可能提出不相关的问题。
3. 至于架构，您可能想要对问题/答案序列进行分类，那么最明显的选择是 RNN 的变体。或者也许你想分类下一个问题有多好——也许你想在这里使用决策树/随机森林来分类它。或者也许你需要强化学习？那就是要指出，您应该很好地考虑要分类的内容，然后对其进行测试，也许可以进行多次迭代。

因此，如果向导足够复杂并且您拥有或可能收集的数据量很大，那么答案很可能是肯定的。