文本预处理需兼顾语义与效率，中文应使用领域增强分词、保留否定词、标准化数字英文；问答匹配推荐双塔结构+对比学习，辅以hard negative构造；评估重Recall@1与MRR，须模拟真实检索流程。
文本预处理要兼顾语义和计算效率
原始文本直接喂给模型效果通常不好。中文需先分词，但不能只用简单空格或jieba默认切分——专业领域词（如“BERT微调”“余弦相似度”）容易被拆散。建议用领域词典增强的分词工具（如LAC、THULAC或自定义jieba词典），再统一小写、去停用词（注意保留否定词如“不”“未”，它们影响语义匹配）。标点符号可全删，也可保留问号、句号辅助判断句子边界。数字和英文缩写建议标准化（如“5G”不转“五G”，“FAQ”不拆成单字母）。
选择适合问答场景的匹配架构
问答系统不是单纯判别是否相关，而是要从候选答案中挑出最匹配的问题。不推荐直接用分类模型（如TextCNN+Softmax），更实用的是双塔结构（Dual Encoder）：问题和答案各自编码为向量，用余弦相似度打分。训练时用对比学习目标（如InfoNCE loss），让正样本对相似度高、负样本对低。若资源充足，可用交互式模型（Cross-Encoder）做精排——把问题+答案拼接后输入BERT微调，但推理慢，适合小规模候选集重排序。
高质量负样本构造是关键突破口
真实问答数据中，正样本少、负样本易“太简单”（如随机采样导致模型学不到细粒度区分能力）。建议三类负样本混合使用：
• 同一问题下其他错误答案（hard negative）
• 语义相近但答案错误的问题（如“Python怎么读取CSV？” vs “Python怎么写入CSV？”）
• 利用BM25或TF-IDF先召回top-k，再从中采样难负例
训练初期可多用简单负例稳定收敛，后期逐步提高hard negative比例。
评估不能只看准确率，要贴合真实使用逻辑
线上问答系统用户只看到Top1答案，所以Recall@1（首条命中率）比整体准确率更重要。同时加入MRR（Mean Reciprocal Rank）衡量排名质量。务必在验证集上模拟真实流程：给定一个问题，从全部候选答案中检索，再按模型分值排序，统计指标。避免用“固定pair二分类”方式评估——那会高估泛化能力。上线前用人工抽样检查bad case，重点关注语义等价但表面字不同（如“怎么安装？”≈“如何部署？”）是否被正确匹配。
基本上就这些。不复杂但容易忽略。
