这是一个广泛的问题，但这是一般方法。典型的 QA 系统涉及几个子问题，每个子问题都可以使用不同的方法解决：

1. 问题分类- 用户问的是什么类型的问题？假设您有标签，这可以作为分类问题提出。
2. 解析问题- 这里需要多种 NLP 技术
3. 将问题转换为规范形式- 每个问题都将转换为规范或结构化格式（可用于查询）。这通常是该过程中最困难的部分。这通常称为语义解析。一种方法是获取短语的变体，然后使用一些相似性度量将其映射到单个规范形式。你可以从这篇论文开始。

如果您可以从自然语言文本转换为规范形式，那么您基本上就完成了。存储数据和检索是微不足道的方面，可以通过多种方式完成。谈到域的问题，总是要在一个域的准确性与一般的 QA 系统（这太难破解）之间进行权衡。每个领域的单一模型很可能会以额外的努力为您带来更好的结果。

你应该在 kaggle 上查看 Allen AI 竞赛：https ://www.kaggle.com/c/the-allen-ai-science-challenge

简而言之，人们在那里采用的典型方法与您的建议类似：

• 从特定领域的文章和/或维基百科建立知识库
• 用 lucene 或其他 IR 系统索引这些文章
• 对于每个问题/答案对，检索最相关的文章并将它们用作特征
• 使用这些特征构建一个分类器，用于分类答案是正确还是不正确