阅读理解任务是给定一篇文本,要求机器根据文本的内容回答相应的问题,该任务现在已经成为自然语言处理领域的研究热点。本文以北京语文高考文学类阅读理解解答任务为背景,对其中的观点类问题进行了分析与研究,主要研究工作如下:(1)对高考阅读理解观点类问题进行难点分析,并提出问题扩展和答案句抽取两个关键技术。(2)基于多主题的答案句抽取。为了克服高考阅读理解观点类问题中仅仅利用关键词抽取答案句的不足,通过对单篇文章建立LDA模型,计算阅读材料中每一句话与问题的主题分布相似度,再利用SVM分类器,对主题分布相似度高的句子进行分类,用于获取具有观点特征的候选观点句,最后将其与问题观点进行相似度计算并排序,选取排名前α的句子作为题目的答案句。该方法在标注好的小规模和较大规模的高考观点类问题的答案句识别中,分别达到了47.8%和38.5%正确率,并能将答案句的排序自动提前。同时,实验结果也表明在散文阅读理解题中,采用多主题方法比单主题时具有较好的答题效果。(3)基于上下文循环神经网络模型的问题扩展。为了提高答案句抽取的召回率,需要模型对原问题有更深层次的理解,即找到问题在阅读材料下的相关语义。我们基于层级循环网络的上下文感知模型,建立阅读材料、问题和答案之间的相互依赖关系,并依据此模型对原问题进行语义扩展。实验结果表明,神经网络对原问题的语义扩展准确率达到68%,且在一定程度上扩展了问题的深层语义。同时,使用扩展后的问题比使用原问题,在多主题答案句抽取时,提高了4%的准确率。(4)基于多特征融合排序学习的答案句抽取。为了减少错误扩展信息带来的干扰与人工选择特征权重所带来的不稳定性,我们将L2R排序学习模型应用于高考观点类问题解答中。将扩展后的问题与原问题分别计算与阅读材料的主题分布一致性、内容相似性、观点句特征、BM25得分和Page Rank得分,将这些信息作为特征并融合,构建基于L2R排序学习模型。最后,使用训练好的模型来进行答案句抽取,选取排名前α条句子作为答案句。实验结果表明,在较大规模的测试集上,多特征融合排序学习方法比多主题答案句抽取方法提高了6.5%,达到了45.0%的准确率。(5)观点类问题答题系统实现。将问题扩展、排序学习及答案句抽取技术进行结合,将其应用于真实高考观点类问题解答中,通过对机器获取的答案进行人工打分,本文提出的答题框架在真实高考题数据集中可以达到42.1%的准确率。