随着人工智能技术的深入研究,通用领域问答系统已经被人们广泛接受。但是,由于垂直领域文本数据较少,文本表征阻碍着垂直领域问答系统的发展。为使在垂直领域问答系统更加高效准确,本文面向保险领域,提出了一种基于BERT模型的智能问答方法,并对比传统方法、保险语料作者的QACNN模型和改进的QALSTM模型,证明了BERT模型在保险领域中的有效性。最后,使用保险领域问答语料,完成答案选择任务,进而采用基于深度学习模型BERT的方法和迁移学习的策略构建垂直领域的问答系统。本课题的主要工作包括:(1)分析了智能问答的背景意义和现状,并在此基础上研究智能问答涉及的基本理论和技术。(2)基于BERT模型保险领域的算法研究。首先对保险领域数据进行预处理操作,包括对数据格式的转换、数据的分词和去除数据的停用词等,然后实现传统方法和BERT模型的保险领域智能问答。此外,还比较使用不同相似度计算方式对保险领域智能问答的影响。(3)实现保险领域的问答系统。通过分析传统方法、BERT模型、QACNN模型和QALSTM模型各自在实验中的效果,选择BERT模型以及余弦距离为相似度计算方式构建系统。在win10上,以Pycharm为开发工具,使用python自主开发了一套保险领域的问答系统。系统主要包括:问题分析、答案选择、反馈统计以及用户相关功能。最后,通过用户的反馈来解决将来的优化问题。