随着自然语言处理成为了重点的研究课题之一,自然语言处理研究领域下的神经问题生成也得到了飞速发展和应用。神经问题生成是使用深度神经网络从给定的文章或段落中提取目标答案,并根据现有的目标答案生成问题。目前,神经问题生在学习环境、数据挖掘、信息提取和无数其他应用领域中发挥着重要作用。先前的神经问题生成模型中存在一个问题,即所生成的问题未与目标答案中的上下文明确关联,导致生成的问题中很大一部分包含目标答案,从而导致意外问题的产生,并且生成的问题准确度不高。同时,在没有指导的情况下,很多神经问题生成模型没有控制所生成问题的特殊性水平,导致无法获得信息的通用性问题和一般问题。本文使用基于seq2seq的神经问题生成模型,该模型由编码器和解码器组成,本文将段落和目标答案分离开来进行编码解码处理,通过特殊标签替换原始段落的目标答案,并使用该段落和目标答案作为输入,以减少不正确问题(包括正确答案)的数量。通过基于字符重叠的复制机制,本论文可以使生成问题在单词级别和输入文档中具有更高的重叠度和相关性。同时,本论文将神经分类问题生成模型,训练一个分类器,该分类器使用对给定上下文的特定级别(通用或特定)来注释一个分类问题。实验表明,本论文提出的模型性能优于以前,并且在特殊注释数据上训练分类问题生成模型可以生成对给定上下文具有不同特殊性水平的问题。