ans_extractor = AnsExtractor() # 这一步加载所有ltp的模型，加载同义词词林
test_sentences = ["木婉清的母亲秦红棉被段正淳负心后伤心欲绝",
"《天龙八部》中段誉和木婉清的爱情故事",
"木婉清,金庸武侠小说《天龙八部》中的人物",
"天龙八部(世纪新修版)书中最后一段介绍了木婉清被册封为贵妃。",
"木婉清同父异母的姐姐是王语嫣",
"木婉清的个性里沿袭了一部分母亲的执着和父亲的多情",
"《天龙八部》中木婉清的饰演者有很多,最近的就有赵圆瑗、蒋欣等",
"秦红棉，金庸武侠小说《天龙八部》中的人物，外号修罗刀,是木婉清的母亲"]
test_key_words = ["木婉清", "天龙八部", "母亲"]
test_question_type = "人物"
test_question = "金庸小说《天龙八部》中，木婉清的母亲是谁?"
test_a = 0.8
test_b = 0.2
# 这一步针对一组特定的问题、句子进行答案抽取
answer = ans_extractor.do_ans_extract(test_sentences,
test_key_words, test_question_type, test_question,
test_a, test_b)
print(answer)
1._init_(self)： 这个函数构建答案提取器对象AnsExtractor，只负责加载ltp模型和同义词词林（或许还需要加载中文停用词表）
2.get_sim_cloud(self): 读取同义词词林，得到的是一个dict，key是词，value是这个词的所有code
3.do_ans_extract(self, sents, key_words, ques_type, ques, a, b): 执行答案抽取，主流程函数 这个函数首先初始化几个参数 然后调用self.sort_sentences() 得到五个最可能包含答案的句子后（#Has Done）。 对这5个句子需要做答案抽取处理（#TODO)
个人认为答案抽取，需要使用关键词（看看答案句中关键词出现的怎么样）、问题类型（根据不同的问题类型，识别不同的命名实体，把识别出的命名实体作为最终的答案）
4.sort_sentences(self): 计算候选答案句与问句的相似度，并返回排序后相似度最高的五个句子 以下的几个函数都服务于这个函数
5.get_centrial_and_rela_words(self, sentence): 工具函数。 句法分析，得到一个句子的核心词和依附于核心词的词的集合。 对问句和所有可能答案句都会执行一次。 返回结果中，第一个元素是核心词，其他的是第二第三层相关词。
6.calc_Dist(self, codes1, codes2): 工具函数。 计算两个词语的语义距离。传进来的是两个词的code集合。
7.calc_similarity(self, sentence, question_cr_words): 计算某句子与问句的相似度。 这里具体实现了句子相似度算法。
现在各个函数之间没啥耦合关系了，各自基本上可以独立工作，或者管道式工作
do_ans_extract --> sort_sentences
sort_sentences --> get_centrial_and_rela_words(self.question)
sort_sentences --> get_centrial_and_rela_words(sentence in self.sentences)
sort_sentences --> calc_similarity
sort_sentences --> sort
calc_similarity --> get_centrial_and_rela_words(sentence)
calc_similarity --> calc_Dist