面向特定域的问答系统

20/25面向特定域的问答系统第一部分特定域知识图谱构建 2第二部分上下文嵌入和语义表示 5第三部分问题理解和查询生成 8第四部分答案检索和推理 10第五部分答案排名和排序 13第六部分知识更新和维护 15第七部分交互式问答范式 18第八部分评估指标和度量 20

第一部分特定域知识图谱构建关键词关键要点领域知识抽取

1.利用自然语言处理技术从文本数据中识别和提取领域特定的实体、属性和关系。

2.运用机器学习算法，自动从非结构化文本中抽取知识三元组(实体、关系、实体)，建立领域知识图谱的基础。

3.考虑领域专业术语和同义词，提高知识抽取的准确性和全面性。

知识图谱表示

1.采用图论或本体论模型表示领域知识图谱，其中节点代表实体，边代表关系。

2.定义知识表示语言或本体，明确图谱中的概念、属性和关系以及它们之间的关联。

3.考虑图谱的连通性、一致性和可解释性，以确保图谱的高质量和实用性。

推理和查询

1.集成推理引擎，利用图谱中的知识进行推理，回答复杂查询。

2.开发高效的查询引擎，支持基于实体、关系或模式的灵活查询方式。

3.考虑不确定性推理，处理知识图谱中不完整或不确定的信息。

领域适应

1.针对特定领域的问题定制知识图谱，考虑领域特定的术语、概念和关系。

2.通过迁移学习或跨域知识共享，将现有知识图谱的知识迁移到新领域。

3.探索基于图形神经网络的领域适应方法，以有效捕捉不同领域之间的知识差异。

知识图谱演进

1.随着新知识的不断出现，定期更新和维护知识图谱。

2.利用增量学习算法，在线更新知识图谱，处理实时知识流。

3.考虑版本管理和知识溯源，以跟踪知识图谱的演化历史和保证其可靠性。

评估和可解释性

1.定义领域特定的评估指标，衡量知识图谱的准确性、完整性和实用性。

2.开发可解释性方法，阐明知识图谱中推理和查询结果的依据。

3.通过用户反馈和专家验证，持续改进知识图谱的质量和可解释性。特定域知识图谱构建

简介

特定域知识图谱（DSKG）是一种结构化的知识表示，用于描述特定领域内的概念、实体和它们之间的关系。DSKG对自然语言处理（NLP）和自动化推理在特定域中的应用至关重要，例如问答系统、信息检索和决策支持。

方法

DSKG构建是一个多步骤的过程，包括以下主要阶段：

*术语提取：从领域特定文本语料库中提取概念和实体。

*实体链接：将提取的实体与现有的知识库（例如DBpedia、Freebase）对齐。

*关系提取：确定实体之间的关系，例如“包含”、“属于”和“导致”。

*关系分类：将提取的关系分类到预定义的本体或分类法中。

*知识融合：将从不同来源提取的知识合并到一个连贯的知识图谱中。

技术

用于DSKG构建的常用技术包括：

*自然语言处理：用于术语提取、实体识别和关系提取。

*机器学习：用于关系分类和知识融合。

*图数据库：用于存储和查询知识图谱。

评估

评估DSKG的性能通常使用以下指标：

*完整性：知识图谱中包含的信息的全面性。

*准确性：知识图谱中信息的可信度。

*连贯性：知识图谱中信息的逻辑一致性。

应用

DSKG在各种应用中发挥着重要作用，包括：

*问答系统：提供特定域查询的准确答案。

*信息检索：改善域内搜索结果的相关性。

*决策支持：为基于知识的决策提供证据。

*自然语言生成：生成具有特定域知识的文本。

挑战

DSKG构建面临着一些挑战，包括：

*大规模：构建涵盖特定域所有相关知识的知识图谱可能需要大量的资源。

*异构性：来自不同来源的知识可能格式不同，需要融合。

*动态性：特定域中的知识会随着时间的推移而变化，需要定期更新知识图谱。

最佳实践

为了构建高质量的DSKG，建议遵循以下最佳实践：

*明确目标：确定知识图谱的预期用途。

*选择合适的工具：使用适合特定任务的NLP和机器学习技术。

*创建高质量的语料库：收集高质量、与特定域相关的文本数据。

*使用领域专家：与领域专家合作，验证和完善知识图谱。

*持续维护：定期更新知识图谱以反映特定域中的知识变化。

结论

DSKG是特定域NLP应用的关键基础。通过遵循最佳实践并利用适当的技术，可以构建高质量的DSKG，从而显着增强特定域内各种任务的性能。第二部分上下文嵌入和语义表示关键词关键要点上下文嵌入

1.概念：上下文嵌入是一种将单词或短语映射到高维向量空间的自然语言处理技术，其中语义相近的单词或短语具有相似的向量表示。

2.方法：上下文嵌入通常通过训练神经网络模型（如Word2Vec、GloVe）获得，该模型利用相邻单词或上下文中出现的单词来学习单词的语义。

3.应用：上下文嵌入广泛应用于自然语言处理任务，例如文档分类、机器翻译、问答系统等，通过捕获单词的语义信息，提高模型的性能。

语义表示

1.概念：语义表示是将自然语言文本（单词、短语或句子）转换为一种计算机可理解的形式，以表示其含义。

2.类型：语义表示有多种类型，包括：

-词汇表示：表示单个单词或短语的含义。

-句法表示：表示句子中单词之间的关系。

-语义表示：表示句子的整体含义或语义。

3.应用：语义表示是构建自然语言理解和处理系统的基础，使计算机能够理解和生成人类语言。上下文嵌入和语义表示

自然语言处理（NLP）中一个关键挑战是学习单词和短语的含义，即其语义表示。上下文嵌入是一种用于生成语义表示的技术，它考虑了单词或短语在文本中的上下文。

词嵌入

词嵌入将单词表示为固定长度的向量。这些向量捕获了单词的语义信息，例如同义词和相似性。常用的词嵌入方法有：

*Word2Vec：一种无监督学习方法，通过预测周围单词来学习词向量。

*GloVe：一种受同时出现矩阵启发的词嵌入方法，它通过因子分解共现矩阵来学习词向量。

句嵌入

句嵌入将整个句子表示为固定长度的向量。这些向量捕获了句子的语义信息，例如主旨和情绪。常用的句嵌入方法有：

*Sentence2Vec：一种无监督学习方法，通过预测句子周围的单词来学习句向量。

*InferSent：一种监督学习方法，通过预测句子的自然语言推理结果来学习句向量。

语义表示方法

上下文嵌入和语义表示有多种方法，包括：

*静态表示：词或句的含义在整个语料库中保持不变。

*动态表示：词或句的含义根据其在特定上下文中使用的方式而变化。

*合成表示：通过组合不同来源（例如词嵌入和外部知识图谱）的语义信息来生成表示。

上下文嵌入在问答系统中的应用

上下文嵌入在面向特定领域的问答系统中发挥着关键作用，可以通过以下方式提升系统性能：

*语义相似性：上下文嵌入可以帮助度量查询和候选答案之间的语义相似性，从而进行更准确的匹配。

*上下文理解：上下文嵌入可以理解查询和候选答案中的上下文，从而提取相关信息并生成更全面的答案。

*推理：上下文嵌入可以支持推理和问答推论，例如通过预测缺失的信息或回答超出文本范围的问题。

评价上下文嵌入

上下文嵌入的性能可以通过多种指标进行评估，包括：

*词义相似性：词嵌入在词义相似性任务中的准确性。

*句义相似性：句嵌入在句义相似性任务中的准确性。

*问答准确性：上下文嵌入在问答任务中的总体性能。

结论

上下文嵌入和语义表示是面向特定领域的问答系统的关键技术。它们为单词和句子提供了强大的语义表示，从而促进了更精确的匹配、更全面的答案和更好的推理能力。通过不断探索和创新，上下文嵌入技术有望进一步提升问答系统的性能。第三部分问题理解和查询生成问题理解和查询生成

概述

问题理解和查询生成是面向特定域问答系统（Domain-SpecificQuestionAnswering，DS-QA）中的关键步骤，旨在将自然语言问题转化为可查询数据库或知识库的结构化形式。

问题理解

问题理解涉及分析输入问题的文本，提取其意图、核心实体和关系。常用的方法包括：

*意图分类：确定问题背后的目标，如信息查询、事实验证或动作执行。

*实体识别：识别问题中提到的实体，包括人、地点、事物或概念。

*关系抽取：识别实体之间的关系，如“位于”或“属于”。

查询生成

问题理解的结果用于生成一个查询，以便从数据库或知识库中检索答案。查询生成涉及：

*查询语言选择：选择与目标数据源兼容的查询语言，如SQL、SPARQL或Cypher。

*查询结构化：根据提取的意图、实体和关系构建查询结构。

*查询优化：应用查询优化技术，如索引利用和谓词下推，以提高查询性能。

技术

用于问题理解和查询生成的技术包括：

*自然语言处理（NLP）：用于分析文本问题，提取意图、实体和关系。

*知识图谱：用于存储和表示实体及其关系，辅助问题理解和查询生成。

*基于规则的系统：使用预定义的规则来识别意图、实体和关系。

*基于机器学习的系统：使用机器学习算法来学习从问题中提取所需信息。

挑战和研究方向

问题理解和查询生成面临的挑战包括：

*自然语言歧义：自然语言问题的措辞可能模棱两可，导致错误的理解。

*知识缺乏：对于特定域之外的实体和关系，知识库可能存在不足。

*复杂查询生成：对于复杂的问题，生成高效且精确的查询可能是具有挑战性的。

当前的研究方向集中于：

*鲁棒问题理解：提高系统对歧义和不完整问题的处理能力。

*知识库扩展：开发技术来从各种来源丰富知识库。

*查询优化：探索新的查询优化技术，以提高查询处理性能。

应用

问题理解和查询生成在面向特定领域的问答系统中得到了广泛应用，包括：

*客户服务：回答客户问题、提供产品信息和解决投诉。

*医疗保健：诊断疾病、查找治疗方案和检索患者记录。

*金融：评估风险、分析投资机会和处理客户交易。

*教育：查找事实、回答学生问题和提供学习资源。

*娱乐：提供电影推荐、播放音乐和回答琐事问题。

通过对问题理解和查询生成技术的深入理解，面向特定域的问答系统能够有效地理解问题、生成查询并从相关数据源中检索准确的答案，为用户提供个性化的信息访问。第四部分答案检索和推理关键词关键要点主题名称：基于知识图谱的答案检索

1.利用知识图谱中丰富的语义结构和关联关系，将查询转化为知识图谱中的实体和关系查询，提升答案检索的准确度和可解释性。

2.采用基于图神经网络、知识图嵌入等技术，对知识图谱进行深度学习，学习知识图谱中实体和关系的分布和关联模式，提高答案检索的效率和泛化能力。

3.引入外部知识来源，如文本语料库、数据库等，扩展知识图谱的覆盖范围，提升答案检索的全面性。

主题名称：基于自然语言处理的推理

答案检索和推理

引言

面向特定域的问答系统(TADQ)是人工智能(AI)的一个分支，它侧重于在特定领域中解析和响应用户的查询。为了做到这一步，TADQ系统依赖于答案检索和推理的技术。

答案检索

答案检索是指从相关文本语料库中检索与特定查询匹配的文本段落的过程。在TADQ系统中，这包括：

*相关文档检索：识别与查询主题相关的文档。

*段落提取：从文档中提取包含答案候选的文本段落。

*段落排序：根据与查询的相关性对段落进行排序。

常用答案检索方法：

*基于关键字的检索：使用查询中的关键字匹配文档。

*向量空间检索：将查询和文档表示为向量，并根据它们的余弦距离进行匹配。

*基于语义的检索：使用词向量和语言学分析来理解文档和查询的语义含义。

答案推理

答案推理是指从检索的段落中提取答案并推导出用户查询所请求的信息的过程。这需要：

*事实抽取：识别段落中与查询相关的显式事实。

*推理：使用逻辑规则和背景信息从提取的证据中推导出答案。

*聚合：将多个答案或证据片断组合成一个连贯且完整的答案。

常用答案推理方法：

*规则推理：使用明确的规则来推论答案。

*模糊推理：使用不确切的证据和推论来处理不确凿的信息。

*机器学习推理：使用机器学习算法从训练数据中学习推理模式。

挑战

答案检索和推理在TADQ系统中面临着几项挑战，包括：

*信息差距：所选文本语料库可能没有包含所有可能的答案。

*语义模棱两可：文本段落中的语言可能存在歧义或模糊性。

*推理复杂性：某些查询需要复杂的推理过程，可能需要外部背景信息。

*开放域查询：某些查询无法局限于特定的领域，需要额外的信息检索和推理策略。

应用

答案检索和推理技术在TADQ系统中得到了廣泛的应用，包括：

*问答聊天机器人：响应用户的询问并提供基于文档证据的信息。

*垂直领域检索：在特定领域（如医学、法律、金融）中检索和提取答案。

*文本分析：识别文本中隐含的信息和模式。

*信息提取：从非文本化文档中提取事实和实体。

进展

近年来，答案检索和推理领域已经见证了重要的进展，包括：

*语言学进步：自然语言处理(NLP)技术的进步使理解文本段落和执行推理任务变得更容易。

*大数据：大规模文本语料库的出现为训练机器学习推理算法提供丰富的数据。

*分布式处理：分布式处理技术使大规模文本检索和推理任务变得可行。

持续研究和创新正在继续推进答案检索和推理技术，为TADQ系统提供更强大、更可靠的解决方案。第五部分答案排名和排序关键词关键要点主题名称1：词嵌入和语义相似性

1.词嵌入将单词映射到固定维度的向量空间中，捕捉单词的语义信息。

2.语义相似性度量使用余弦相似度、点积和其他技术来比较嵌入向量之间的相似性。

3.这些技术有助于理解问题和答案文本之间的语义关系，提高答案排序的准确性。

主题名称2：基于图的排序算法

答案排名和排序

在面向特定域的问答系统中，答案排名和排序是至关重要的步骤，它决定了用户获得答案的顺序和质量。有效的答案排名和排序策略可以提高用户满意度、任务完成率和整体系统性能。

排名和排序方法

*相关性得分:评估答案与查询的匹配程度。通常使用基于关键词匹配、语义相似度和信息检索技术的方法来计算相关性。

*专家知识:利用领域专家的意见或规则来对答案进行评级。专家知识可以确保答案的准确性和可靠性。

*用户反馈:根据用户对答案的反馈进行排序。用户互动可以提供有价值的见解，帮助改进排名算法。

*基于图的排序:将答案视为一个图中的节点，并使用图论算法来确定其相对重要性。这有助于考虑答案之间的相互关联。

*机器学习:使用机器学习模型来学习答案排名和排序。模型通过训练数据学习区分高质量答案和低质量答案。

排序算法

常见的排序算法包括：

*基于阈值的排序:将答案分类为相关或不相关，然后按相关性顺序排序相关答案。

*线性加权排序:根据相关性、专家知识和其他因素为每个答案分配权重，然后按总权重排序。

*贝叶斯排序:使用贝叶斯推理来计算答案排名的后验概率。后验概率基于查询、答案和领域知识。

*排序学习到排序(RankNet):一种机器学习算法，专门用于答案排序。RankNet从训练数据中学习模型，该模型能够根据一组特征预测答案的相对重要性。

影响因素

影响答案排名和排序的因素包括：

*查询质量:模糊或歧义的查询会给排名和排序带来挑战。

*知识库的覆盖:如果知识库不完整或不准确，可能会导致相关答案排名较低。

*算法的鲁棒性:排序算法应该能够处理噪声和偏见数据。

*用户偏好:考虑用户在不同上下文下的偏好可以提高排名和排序的准确性。

评估方法

评估答案排名和排序性能的常见方法包括：

*平均准确度(MAP):根据答案在排名列表中的位置测量平均相关性。

*归一化折现累计增益(NDCG):考虑答案的相对重要性并奖励排名靠前的相关答案。

*用户满意度:通过用户反馈或调查来评估排名和排序算法的有效性。

优化技巧

优化答案排名和排序的技巧包括：

*特征工程:提取和使用与答案质量相关的特征，例如语言特征、结构特征和语义特征。

*算法调优:调整排序算法的参数以获得最佳性能。

*融合方法:结合多个排序算法以提高准确性和鲁棒性。

*领域特定定制:针对特定领域定制排序算法，以解决该领域的独特挑战。第六部分知识更新和维护关键词关键要点知识更新和维护

动态知识图谱

1.持续监测和获取新知识，更新知识库，以反映现实世界中的变化。

2.根据预定义的触发器或规则自动更新知识，确保及时性和准确性。

3.利用自然语言处理技术，从文档、新闻和社交媒体中提取和整合新知识。

协作式知识更新

知识更新与维护

特定域的问答系统在实际应用中，知识库的更新与维护至关重要。因为随着时间的推移，域内的知识会不断变化和增长，如果不及时更新知识库，会导致系统回答准确率下降，甚至无法回答用户的问题。

知识更新的目的是确保知识库中的信息是最新的和准确的。维护的目标是保持知识库的高质量，并确保它满足用户的需求。这包括纠正或删除过时或不正确的信息，添加新信息和确保知识库与外部知识源保持同步。

知识更新策略

知识更新策略是指导知识库更新过程的计划。有效策略的要素包括：

*定期更新时间表：根据知识域的更新频率确定更新知识库的时间表。

*知识来源：识别可靠的知识来源，例如专家、行业出版物或在线数据库。

*验证流程：制定流程以验证新信息的准确性，例如与专家或其他知识源交叉引用。

*内容审查：定期审查更新后的知识库，以确保一致性和质量。

知识维护策略

除了知识更新外，还必须制定策略来维护知识库的质量。这包括：

*错误纠正：建立机制来识别和纠正知识库中的错误信息。

*冗余删除：去除重复或不必要的信息，以保持知识库精简和高效。

*格式标准：制定知识表示的格式标准，以确保一致性和可理解性。

*知识组织：组织知识库中的信息以支持高效的搜索和检索。

知识更新与维护技术

可以使用各种技术来支持知识更新和维护。这些技术包括：

*自动化更新：利用自然语言处理(NLP)技术和机器学习算法自动从外部来源提取和更新信息。

*协作编辑：允许授权用户协作更新知识库，并支持版本控制和审计跟踪。

*知识图谱：使用图形数据库来表示和链接知识，以便于更新和维护。

*持续监控：持续监控知识库，以识别需要更新或维护的信息。

最佳实践

知识更新与维护的最佳实践包括：

*采用结构化的知识表示，以促进更新和维护。

*参与领域专家和内容作者，以确保知识库的准确性和完整性。

*采用验证和审查流程，以确保信息质量。

*定期备份知识库，以保护数据免受意外丢失。

持续改进

知识更新和维护是一个持续的过程。随着技术和最佳实践的发展，组织应该不断评估和改进他们的策略和流程。定期审查知识库并征求用户反馈对于确保系统有效满足用户需求至关重要。第七部分交互式问答范式交互式问答范式

交互式问答范式是一种自然语言处理(NLP)技术，旨在构建能够与用户进行多回合对话的问答系统。它超越了传统问答系统的局限，允许用户уточнить和完善他们的查询。

关键特征：

*多回合对话：交互式问答系统允许用户在多个回合中提出问题和уточнить。

*上下文化语理解：系统跟踪对话的上下文，并根据以前的交互来回答问题。

*уточнить和否定：用户可以уточнить他们的问题或否认系统给出的答案，从而引导系统提供更准确的响应。

*知识库查询：系统从知识库或外部数据源中检索信息，并将其整合到其响应中。

*自然语言生成：系统使用自然语言生成技术以人类可读的形式生成响应。

优点：

*更高的准确性：通过允许用户уточнить和否定，交互式系统可以产生比传统系统更准确的响应。

*更好的用户体验：对话界面让用户可以更自然地与系统交互，提高了整体体验。

*广泛的应用：交互式问答范式可用于各种领域，包括客户服务、信息检索和教育。

应用：

*客户服务：交互式问答系统可以自动化客户查询，提供快速而准确的响应。

*信息检索：用户可以在大型文档集合中搜索信息，并通过уточнить来缩小搜索范围。

*教育：交互式问答系统可以充当虚拟导师，回答学生的复杂问题并提供反馈。

*医疗保健：患者可以通过交互式系统获得有关疾病和治疗的信息，并提出уточнить。

挑战：

*复杂性：构建交互式问答系统需要高级的NLP技术和广泛的知识库。

*语义歧义：自然语言的歧义性可能使系统难以理解用户的意图。

*知识差距：系统可能无法回答超出其知识库范围的问题。

发展趋势：

*机器学习和深度学习：机器学习和深度学习算法正在用于改进交互式问答系统的准确性和效率。

*多模态数据：交互式问答系统正在集成文本、语音和图像等多种数据模式，以提供更全面的响应。

*个性化：系统正在被定制以适应个别用户的偏好和知识水平。

结论：

交互式问答范式是问答系统领域的变革性范式，它允许用户通过多回合对话来获取信息。通过利用先进的NLP技术和丰富的知识库，交互式系统提供了更准确、个性化和用户友好的体验。随着机器学习和多模态数据的持续发展，交互式问答范式有望在未来几年继续取得重大进展。第八部分评估指标和度量关键词关键要点准确性

1.精确率：衡量问答系统返回正确答案的频率。

2.召回率：衡量问答系统找到所有正确答案的频率。

3.F1分数：精确率和召回率的调和平均值，提供整体准确性的衡量标准。

相关性

1.MeanAveragePrecision（MAP）：衡量返回答案与目标答案相关性排序的准确性。

2.NormalizedDiscountedCumulativeGain（NDCG）：衡量返回答案的相关性和顺序的重要性。

3.Recall@K：衡量在指定数量K的返回答案中包含正确答案的频率。

完备性

1.覆盖率：衡量问答系统能够回答目标问题范围的比例。

2.多样性：衡量返回答案在内容和来源上的多样性程度。

3.新颖性：衡量返回答案是否提供了对目标问题的新见解或信息。

效率

1.响应时间：衡量问答系统生成答案所需的时间。

2.资源消耗：衡量问答系统在计算和内存方面消耗的资源量。

3.可扩展性：衡量问答系统处理大数据集和用户并发查询的能力。

用户体验

1.可用性：衡量用户轻松访问和使用问答系统的程度。

2.可理解性：衡量答案的清晰度和易读性。

3.满意度：衡量用户对自己体验的问答系统的总体满意度。

趋势和前沿

1.多模态问答：考虑文本、图像、视频等多种模态信息来生成答案。

2.知识图谱嵌入：利用知识图谱来增强问答系统的背景知识理解。

3.预训练语言模型：利用大规模文本数据训练的语言模型来提高问答系统的理解和生成能力。评估指标和度量

评估特定域问答（QA）系统的性能至关重要，以确定其效率和有效性。本文概述了用于评估QA系统的各种指标和度量。

准确度指标

*准确度（Accuracy）：衡量系统提供正确答案的频率，通常表示为正确答案数量与总回答数量的比率。

*精确度（Precision）：衡量系统仅提供正确答案时预测正确答案的频率，通常表示为正确预测数量与所有预测数量的比率。

*召回率（Recall）：衡量系统找到所有正确答案时预测正确答案的频率，通常表示为正确预测数量与所有正确答案数量的比率。

效率指标

*回答覆盖率（AnswerCoverage）：衡量系统为给定的问题集提供答案的频率，通常表示为提供答案的问题数量与总问题数量的比率。

*问题解决时间（Question-AnsweringTime）：衡量系统从接收问题到生成答案所需的时间，通常表示为毫秒或秒。

用户体验指标

*用户满意度（UserSatisfaction）：测量用户对系统响应的满意度，通常使用调查或评级系统来收集反馈。

*易用性（EaseofUse）：衡量用户轻松使用系统并找到所需信息的难易程度，通常通过观察用户界面或进行用户测试来评估。

其他指标

*F1分数：精确度和召回率的加权平均值，提供准确性和完备性的平衡视图。

*平均互信息（AverageMutualInformation）：衡量问题和答案之间的相关性，表示为预测的正确信息量除以实际的信息量。

*困惑度矩阵（ConfusionMatrix）：显示系统预测的正确和不正确的答案分布，用于分析系统错误的类型。

度量方法

这些指标和度量通常使用以下方法进行评估：

*人工评估：由人类评估员手动检查系统响应的准确性。

*自动评估：使用预先定义的正确答案来自动比较系统响应。

*用户研究：使用调查、访谈或观察来收集用户对系统可用性和满意度的反馈。

结论

通过使用各种评估指标和度量，可以全面了解特定域QA系统的性能。这些指标可以指导系统开发和改进，并确保系统满足用户需求。关键词关键要点主题名称：实体识别与链接

关键要点：

1.从问题中识别出实体（人、地名、日期等），这有助于缩小问题的范围并提取相关信息。

2.将识别的实体与知识库或本体中的实体进行链接，以获取更丰富的语义信息和上下文。

3.链接后的实体信息可用于回答问题或生