- unsupervised_method：提供了两种无监督式的相似度计算方法来实现FAQ，tfidf和编辑距离。
- dnn_dssm：基于tf-idf + dnn的dssm模型。
- lstm_dssm：基于词向量 + lstm的dssm模型。
- lstm_siamese：基于词向量 + lstm的siamese模型。
-
对于问答对比较少的情况时，比如只有几十个问答对的情况下，使用tf-idf或者编辑距离等无监督的算法也能取得很好的效果。 因为此时数据量少，问答对之间独立性较强，通过字面的判断就可以很好的计算相似度。
-
对于问答对比较多的情况下，且每个问题都会有大量的相似问，此时可以使用语义相似度模型，建议使用dssm或者siamese，复杂的 语义相似度模型在实际中的效果很多时候都不太好。通常的整个系统的做法是先用tf-idf或者编辑距离从问答对中选择一些候选的问答 对出来，比如从几万个问答对中选择32个，这个值可以你自己根据实际的效果去定，然后基于语义相似度模型来对这32个候选集排序。
-
通常情况下在FAQ中建议使用推荐回复的形式来回答，比如你可以通过一个阈值来控制80%的问题会给出具体的回答，而另外20%的问题 可以给出几个你认为可能能回答用户问题的回答。实践中显示这种方法能极大的提高正确回答的命中率。
-
以上的方法都需要预先将问答对加载到内存中，这样在预测时速度才会比较快，但是当数据量非常大时，比如 几百万的问答对的情况下，我们需要借助ES检索来得到候选集，再进入到语义相似度模型。总之，具体的设计 ，或者说用什么模型，都要根据自己的数据来定。