?在智能化办公趋势下，飞书智能问答系统致力于通过技术手段高效满足员工的知识查询需求，同时严格保障企业数据安全。由于业务数据不可直接用于训练，系统长期面临训练样本匮乏、分布不一致等挑战，促使技术团队在模型架构与训练方法上持续探索与创新。
.
☘️系统最初基于BERT构建1.0版本，通过表示学习实现问句向量化与检索，但存在相似度区分度不足的问题。为此，2.0版本引入交互式结构与ArcMarginLoss等优化，增强语义判别能力，使相似内容分布更紧凑、不相似内容间距更大，在实验中显著提升了会话成功率（SSR）与机器人解决率（BSR）。
.
为进一步解决正负样本不均衡（约1:10）导致的模型偏倚，团队在3.0版本中引入对比学习（Contrastive Learning），借鉴SimCSE思想，将二分类转化为N分类任务，使模型在批量学习中同时区分多个负例，增强对正例的辨识能力。实验表明，该版本不仅进一步提升SSR与点击率，还有效缓解了BERT嵌入的各向异性问题，使语义表达更为均匀与准确。
:
这一演进历程凸显了在数据受限场景下，通过损失函数设计、样本组织与学习框架的创新，模型仍可实现性能的持续提升。飞书问答系统以业务指标为导向，以安全合规为前提，逐步构建起更强大、更鲁棒的智能问答能力，为企业级SaaS应用中的自然语言处理实践提供了重要参考。
.
☘️系统最初基于BERT构建1.0版本，通过表示学习实现问句向量化与检索，但存在相似度区分度不足的问题。为此，2.0版本引入交互式结构与ArcMarginLoss等优化，增强语义判别能力，使相似内容分布更紧凑、不相似内容间距更大，在实验中显著提升了会话成功率（SSR）与机器人解决率（BSR）。
.
为进一步解决正负样本不均衡（约1:10）导致的模型偏倚，团队在3.0版本中引入对比学习（Contrastive Learning），借鉴SimCSE思想，将二分类转化为N分类任务，使模型在批量学习中同时区分多个负例，增强对正例的辨识能力。实验表明，该版本不仅进一步提升SSR与点击率，还有效缓解了BERT嵌入的各向异性问题，使语义表达更为均匀与准确。
:
这一演进历程凸显了在数据受限场景下，通过损失函数设计、样本组织与学习框架的创新，模型仍可实现性能的持续提升。飞书问答系统以业务指标为导向，以安全合规为前提，逐步构建起更强大、更鲁棒的智能问答能力，为企业级SaaS应用中的自然语言处理实践提供了重要参考。
