随着人工智能及自然语言处理技术的快速发展,智能客服系统在学术与工业界获得了越来越多的关注。其中,基于常见问题及解答库(Frequently Asked Question,FAQ)的智能客服系统,由于其简单、高效、正确率高等优点,被广泛应用于许多商业服务。目前,基于FAQ的智能客服系统所依赖的短文本分类技术已取得长足进步,尤其在具有大规模平衡数据的前提下有良好表现。然而,实际的FAQ数据往往是不平衡的,即一些标准问题具有多个扩展问题,而另一些标准问题只有极少数甚至无扩展问题,这就导致依赖大规模平衡数据的短文本分类技术在实际的智能客服系统中难以取得令人满意的效果。本文提出了一种基于同异性迁移学习的短文本分类技术。通过发现大样本和小样本间的共同性和差异性,生成小样本的虚拟样本,进而缓解数据不平衡的现状,提升短文本分类正确率,最终提升智能客服系统的性能。具体说来,首先采用文本相似度度量技术,为小样本发现可迁移的大样本;接着构建基于词模板的样本生成器得到基础虚拟样本;然后以小样本和相似大样本为输入、以基础虚拟样本为输出,训练一个基于编解码框架的虚拟样本生成器,为更多的小样本生成大量的虚拟样本;最后将模型自动生成的虚拟样本做为小样本的扩充数据添加至训练语料,用于训练最终的短文本分类器。实验表明,本文提出的方法在英文和中文两个不同的数据集上,对短文本分类的性能尤其是小样本分类的性能提升效果显著,其中英文小样本上正确率由7.46%提升至59.34%,中文小样本上正确率由1.96%提升至42.67%。此外,本文还深入研究和对比了不同假设下生成的虚拟样本的质量及其对最终分类性能的影响,从多个角度验证了方法的有效性和鲁棒性。基于上述研究,本文实现了一个基于FAQ的智能客服系统,实验测试表明,通过迁移学习技术,该系统可以为小样本问题提供更加精准的回答。