作者 | 柴思远
切片问题：传统按长度切片方法效果不佳，因为政策内容知识密度高，每句话都可能包含答案，且条款间关联性强，需要连续多个条款才能完整回答问题。
Embedding 微调：通用 Embedding 模型不足以应对用户口语化严重的问题，需要针对具体业务场景进行微调，以过滤无关信息并提高准确度。
Query vs Original：简单高效，数据结构是直接使用用户 query 召回知识库片段；
Query vs Query：便于维护，即使用用户的 query 召回 query，冷启动的时候可以利用模型自动化从对应的知识片段中抽取 query；
Query vs Summary：使用 query 召回知识片段的摘要，构建摘要和知识片段之间的映射关系；
F-Answer vs Original：根据用户 query 生成 fake answer 去召回知识片段。
数据标注难度大：业务人员虽然知道正确答案，但难以标注出满足一致性和多样性要求的模型微调数据。因此，我们需要在获取基础答案后，通过模型润色改写答案或增加 COT 的语言逻辑，以提高数据的多样性和一致性。
问答种类多样：业务需要模型能够正确回答、拒答不相关问题和反问以获取完整信息。这要求我们通过构造特定的数据来训练提升模型在这些方面的能力。
知识混淆度高：在问答场景中，召回精度有限，模型需要先从大量相关知识片段中找到有效答案，这个过程在政务等领域难度很大，需要通过增加噪声数据来强化模型的知识搜索能力。
答案专业度高：在公共服务的客服场景，答案往往没有绝对准确性，资深的客服人员总能给出更有帮助性的答案。用户问题通常含糊，更加考验专业人员的回答能力。因此我们需要通过 DPO 方式训练模型，使模型能够在众多答案中找到最好最优的答案。为此，我们需要分别构造数据，并针对模型做 SFT 和 DPO。
真实性：评测集要能真实的反应业务实际需求，与实际发生的业务场景一致。例如评测问题应该尽量覆盖用户平时会问的问题，保持用户平时对问题的表述风格。
多样性：评测集要能够覆盖不同的业务内容，包括：不同的用户输入类型、期待的输出类型、以及答案生成的逻辑等。
等比例：评测集各种类型数据的分布比例应与实际业务场景接近，如果已有线上数据的可以根据线上数据抽样。
难度区分：生成式模型模拟人脑的思路来推断答案，题目的难度是一个非常重要的维度。业务人员往往很难系统的梳理这些难度，所以我们的算法同学需要主动的引导，构造出覆盖不同难度问题的评测集。
