20个问题AIalgorithm如何工作？
20个问题的简单的在线游戏，由一个惊人的精确AI。
他们怎么猜得这么好？
你可以把它想成二进制searchalgorithm。 在每一次迭代中，我们都会问一个问题，这个问题应该会消除大约一半的可能的单词select。 如果总共有N个单词，那么我们可以期望在log2（N）问题后得到答案。
有了20个问题，我们应该能够find2 ^ 20 = 1万个单词中的一个单词。
一个简单的方法来消除exception值（错误的答案）可能会使用像RANSAC 。 这意味着，不要考虑已经回答的所有问题，而是随机select一个较小的子集，这足以给你一个答案。 现在你用不同的随机子集重复几次，直到你看到大部分时间，你都得到了相同的结果。 你就知道你有正确的答案。
当然，这只是解决这个问题的很多方法之一。
我build议阅读关于这里的游戏： http ： //en.wikipedia.org/wiki/Twenty_Questions
特别是计算机部分：
游戏表明，识别任意对象所需的信息（由香农熵统计量来衡量）大约为20位。 在教人们关于信息理论时，这个游戏经常被用作一个例子。 在math上，如果每个问题的结构是消除一半的对象，那么20个问题将允许提问者区分2 20或者10 4876个科目。 因此，对于20个问题最有效的策略是提出问题，将剩余可能性的领域大致分成两半。 该过程类似于计算机科学中的二进制searchalgorithm。
决策树直接支持这种应用。 决策树通常用于人工智能。
决策树是一个二叉树，在每个分支上询问“最好”的问题，以区分由其左侧和右侧子代表的集合。 最好的问题是由20个问题应用程序的创build者用来构build树的一些学习algorithm确定的。 然后，正如其他海报指出，一个20层深的树给你一百万件事情。
在每个点上定义“最佳”问题的一个简单方法是寻找一个最平均地将收集分成一半的属性。 这样，当你对这个问题得到肯定/否定的答案时，你在每一步中摆脱了大约一半的集合。 这样你可以近似二进制search。
维基百科给出了一个更完整的例子：
http://en.wikipedia.org/wiki/Decision_tree_learning
还有一些一般的背景：
它把自己称为“互联网上的neural network”，其中关键在于它。 它可能将问题/答案概率存储在备用matrix中。 使用这些概率，就可以使用决策树algorithm来推断哪个问题最能缩小下一个问题。 一旦将可能的答案缩小到几十个，或者已经达到了20个问题，那么它就开始读取最可能的答案。
20q.net真正耐人寻味的一点是，与大多数我所知的决策树和neural networkalgorithm不同，20q支持稀疏matrix和增量更新。
编辑：原来，答案是一直在networking上。 发明人Robin Burgener在其2005年的专利申请中详细描述了他的algorithm。
它正在使用一个学习algorithm。
k-NN是其中之一的一个很好的例子。
维基百科：k-最近邻algorithm
