在这个Quora问题中，IBM 研究人员回答说，Watson 所做的统计建模主要是逻辑回归，尽管这是一个非常复杂的层次结构。他们还指出，统计建模不一定是 Watson 最具挑战性的部分。

我也独立地听到了另一位 Watson 研究员报告的同样的事情。

这是 Robert L. Blum 的一篇很棒的文章：http: //www.bobblum.com/ESSAYS/COMPSCI/Watson.html

除其他外，它包含有用的指针：

关于 Watson的最佳高级文章由 Ferrucci 的 IBM 团队撰写（镜像：http ://www.aaai.org/ojs/index.php/aimagazine/article/view/2303 ），并于 2010 年发表在 AI Magazine 上。他们描述他们的 DeepQA 架构从早期 QA 系统的演变，包括 IBM 的 Piquant 和 NIST 的 Aquaint。我还推荐KurzweilAI 的 Amara Angelica 对 IBM 的 Eric Brown 的采访。

Watson 上最好的电视节目是 PBS NOVA，地球上最智能的机器。IBM 网站上这些关于 Watson 的简短视频也非常出色。而且，如果您错过了 Jeopardy 节目，您会希望在预赛中看到这个冠军片段。

此外，来自https://ai.stackexchange.com/questions/17/what-things-went-into-ibms-watson-supercomputer

• 添加一名作者
• 在 cc by-sa 3.0 下获得许可，需要注明出处

有一个特殊问题（http://ieeexplore.ieee.org/xpl/tocresult.jsp?isnumber=6177717) 讨论了 Watson 的许多内部结构。我将尝试给出一个简短的概述。总的来说，整个架构是一组独立的“专家”，他们都试图并行回答同一个问题。每个专家都接受过不同数据集的培训和/或基于不同的算法。整体决策是由独立专家的回答组合而成，例如回归，其中输入是专家的回答。这允许对机器进行结构化和增量开发：研究人员提出了新的专家，这些专家被添加到系统中，如果整体准确度提高，他们会被保留，否则就会被丢弃。正在进行一些 NLP 预处理（如果我错了，请纠正我）以使专家能够理解问题。