问答（Question Answering,QA）是自然语言理解中具有挑战性的任务,近年来备受研究人员关注。目前大多数关于问答的研究都是根据单个文档甚至单个段落来回答问题,即问题的答案往往来源于单个文档或者单个句子,也称之为单跳推理问答。多跳推理问答相对单跳推理问答来说是一个更具有挑战性的任务,它要求模型能够对多个文档和问题之间的关系有深入的理解,即需要模型从文本的不同部分收集信息来回答问题。这就会使一些模型在单跳推理问答任务中表现突出,但在多跳推理任务中却表现不佳。如何提高模型处理复杂问题的能力,使其能够有更强的推理能力是当前亟待解决的问题。本文针对跨文档多跳推理问答任务提出了一个基于门控图神经网络的多跳推理模型,该模型在图卷积层结合了注意力机制和门控机制,使其具有处理复杂问题的能力。具体来说,我们把该任务转换为一个图上的推理问题,候选答案实体的提及是图的节点,其中边编码不同节点之间的关系。我们根据以下原则连接这些节点:（1）如果它们共同出现在同一个文档中（我们将其称为DOC-BASED edges）;（2）如果一对命名实体的提及是相同的（我们将其称为MATCH edges——这可能连接文档内的节点或者文档间的节点）。除此之外,为了防止出现不连通图的情况,我们对不能用以上两条原则添边的任意两个节点之间添加了第三种类型的关系（Completment edges）,从而构建了一个连通图。对图中的补边（Completment edges）我们使用了余弦相似度对节点之间关系强度进行了区分,同时在图中加入自环边（Self-loop edges）,确保在信息传递的过程中节点携带自身的信息,使图中节点的语义信息更精确。然后将图卷积网络（GCN）应用到构建的图上,对图中的节点信息进行更新。在每一层图卷积操作中,我们在候选答案和问题之间使用了注意力机制,对问题的表示进行更新。此外,受人类推理行为的启发,在图卷积网络中加入与问题相关的门控机制,在推理过程中加入问题信息,让其具有更强大的推理能力。最后为了验证模型的性能,本文在公开的多跳问答数据集WikiHop以及MedHop上进行了实验,并和目前多跳推理问答任务中的一些主流模型进行了比较,实验结果证明了本文提出的模型在多跳推理问答任务上的有效性和适用性。