1. 背景
在Chatbot整体解决方案中， 既有面向任务型的taskbot（诸如订机票、查天气等）， 也有更偏向知识问答的qabot，而在客服场景下，最基础的类型也是这类。如果从知识库的形式来区分qabot，可以有 基于「文档」的doc-qabot、基于「知识图谱」的kg-qabot、基于「问答对」的faq-qabot等。我们这里重点关注的是最后一种faq-qabot（也简称faqbot）， 这种形式的方案对用户而言易理解易维护，也是目前chatbot解决方案中不可缺的一部分。
faqbot就是将query匹配到一条「问答对」上，从技术的角度看，有两大类方法， 一是text classification， 二是text matching，它们各有适合的场景，前者适合咨询量大且比较稳定的faq，后者适合长尾或时常变化的faq。
店小蜜是我们提供给阿里平台商家的一套智能客服解决方案。在店小蜜中， 基于Faq的问答是个很基础的部分，我们在这个领域，在文本分类和文本匹配上进行了各方面的研究和实践， 在本篇中重点对文本匹配的基础模型进行介绍。
「文本匹配」是NLP方向的一个重要研究领域，有着悠久的历史，很多NLP任务都与此相关，比如 natual language inference、parahparase identification、answer selection等，都可以归结成「文本匹配」问题。
有很多人研究这个课题， 当前优秀的匹配模型有哪些？这些模型有什么异同？这些模型存在哪些问题？这些都是我们展开这个项目需要先分析和回答的问题。我们通过分析SNLI榜单上的模型，有几个结论：