Существуют ли какие-либо подходы, кроме глубокого обучения, для повышения производительности бота, отвечающего на вопросы?

Я работаю над ботом, отвечающим на вопросы, в качестве дипломного проекта. Основная концепция заключается в наличии текстового файла с множеством предложений и создании бота, отвечающего на вопросы, который отвечает на вопрос пользователя на основе имеющегося текстового файла. До сих пор я использовал TF-IDF и Подобие косинуса, и результаты были удовлетворительными. Основная проблема заключается в том, что если пользователь должен был задать вопрос, в котором нет слова в текстовом файле, мой бот не может определить, что вернуть в качестве ответа. например: если в моем текстовом файле есть предложение, в котором говорится: «У меня болит голова, потому что у меня низкий пульс», если пользователь спросит: «Почему у тебя болит голова?» мой бот выбирает правильное предложение, но если он спросит "что с тобой?" мой бот не знает что делать. Все, что я видел в Интернете до сих пор, — это методы глубокого обучения и нейронные сети, такие как LSTM и тому подобное. Мне было интересно, существуют ли какие-либо подходы чистого НЛП, соответствующие моим требованиям. Большое спасибо