1.问答系统，它主要是针对那些有明确答案的用户问题，而且通常面向特定的领域，比如金融，医疗，这一类的机器人。它的技术实现方案分为基于检索和基于知识库两大类。
2.第二个任务型对话系统，大家看论文的时候看的大多数的对话系统都是任务型的，它也是面向特定的领域，而且是非常明确的领域。
它是以尽快地正确的完成明确的任务为目标的，而且对话的轮数越短越好，它的应用实例就是各种在线的私人助理比如助理来也。
3.第三个是偏闲聊的对话机器人，它没有特定的领域和明确的对话目标，评价标准之一就是看人和他聊天的时间长短。
https://cn.100offer.com/blog/posts/296
检索式问答系统的系统架构主要分为离线和在线两大块。离线把问答索引，序列匹配模型和排序模型建好，在线服务收到用户的问题，
把问题中的关键词从索引库中把相关的索引拿出来，然后根据生产好的 Matching 和 Ranking （排列）模型去做 Rerank ，挑选最好的答案给用户展示。这样就是检索式问答系统的典型是实现方式。
语义匹配模型实现方式
1.很经典，很传统的实现方式，根据需要统计TF-IDF，应用一些比较简单的向量空间模型或BM25来计算匹配度。
2.构造一些特征向量，特征向量的维度需要根据业务来确定，特征向量构造完成后，用统计学习方法或L2R的模型进行排序。
3.从2013年开始的词向量算法，它需要先训练词向量，通过词向量构造他们之间的相似度，最简单的一种方法是通过IDF对每个词向量加权，
然后把加权和做一个句向量的表示去计算相似度。还有一些比较复杂的方法，比如WMD，
用词向量计算等文本相似度，大家如果有兴趣可以用谷歌搜索它们的论文和实现方案，它们在短文本上的效果还是非常好的。
4.基于神经网络尤其是深度学习来做语义匹配。基于深度学习的匹配方案有两种:
（1）先得到句向量表示，再用句向量表示来计算它的匹配度。这种方法一般采用孪生网络或者双塔模型网络，它的特点是处理Q和A的文本的网络是完全一样的。
（2）构造QA的交互网络，让他们尽早的相遇。尽早相遇可以利用更多的匹配信号，而不是像方案一中的孪生网络，在得到句向量之后才去计算它的相似度，这样可能会损失一些匹配信息。多轮问答和单轮问答还是有区别的，多轮问答需要考虑上下文对当前问答的影响。