1. 智能问答的一般实现步骤包括：1）文本库分词，训练模型，由模型将文本库转换为词向量；2）将词向量与索引进行存储；3）输入检索文本，将检索文本分词转换为词向量，计算检索文本词向量与词向量库的相似度，并进行排序，返回top n。
2.Milvus 与BERT
Milvus 是一款开源向量相似度搜索引擎，建立在 Faiss、NMSLIB、Annoy 等向量索引库基础之上，Milvus 集成了这些向量索引库，对外提供了一套简单而一致的 API 。除了提供针对向量的近实时搜索能力外，Milvus 可以对标量数据进行过滤。
BERT 模型是 Google 发布的一个新的语言表达模型（Language Representation Model），全称是 Bidirectional Encoder Representations from Transformers，即双向编码表征模型。1）简单全连接网络取代了复杂的 CNN 和 RNN 网络；2）不但大大减少了训练时间，同时有效地提升了网络性能。是第一个真正捕获上下文语义信息的预训练语言表示模型。
3. 参考博客[1]实现了一种智能问答，步骤如下
1）使用开源的 bert-as-service ，使用 BERT 做为句子编码器，将新闻标题数据转化为固定长度为 728 维的特征向量，并导入 Milvus 库。2）对存入 Milvus 库中的特征向量进行存储并建立索引，同时 Milvus 会给这些特征向量分配一个 ID，将 ID 和对应的新闻标题和文本存储在 PostgreSQL 中。3）最后，用户输入一个新闻标题，BERT 将其转成特征向量。Milvus 对特征向量进行相似度检索，得到相似的新闻标题的 ID ，在 PostgreSQL 中找出 ID 对应的新闻标题和文本返回。在后续界面展示中可以看到新闻文本搜索的一个例子。
