问答系统是自然语言处理领域的一个重要研究课题,随着人工智能技术的蓬勃发展,问答系统的研究也不断取得突破。作为一种高级形式的信息服务,问答系统与当前广为接受的信息检索系统相比,不仅可以支持自然语言交互,还可以直接返回答案语句,而非相关网页文档。因此,它能更好地理解用户的真实查询意图,在高效满足用户信息需求的同时,为用户提供更加精准的信息服务。答案选择,作为问答系统中的一个关键环节,正受到越来越多研究者的关注。传统答案选择方法主要采用语言学方法,聚焦于开发性能和实用性都有限的语言工具,用以在语法结构上转换问题和答案。近年来,在自然语言处理领域,基于深度学习的各类模型取得了巨大的成功,这些模型同时也被较好地应用在答案选择任务上。然而,在现有的答案选择模型中,传统的神经网络由于其内部运行机制的局限性,无法很好地解决长文本上下文建模时容易出现的长期依赖问题,因此通常很难获取文本全局信息,例如卷积神经网络、递归神经网络等。近来,由Google团队提出的Transformer神经网络仅采用自注意力机制就可以很好地提取文本全局信息。因此,本文提出研究基于自注意力机制的答案选择方法,以解决现有神经网络无法很好解决的长期依赖问题,从而获取问题或答案文本的全局信息。具体来说,本文提出了以下两种基于自注意力机制的答案选择方法:（1）一种基于改进Transformer神经网络的答案选择方法,旨在尽可能对问答句的全局信息和序列特征进行上下文建模。首先采用分层结构部署多头自注意力机制,并在其后连接一个BiLSTM组件构成本方法的特征抽取器。此外,本文还采用了三种池化策略,将输入句子的表示矩阵映射到一个用于问答匹配层的句子向量中,并对应形成了三种基于改进Transformer神经网络的答案选择模型。（2）一种基于长度自适应神经网络的答案选择模型,即QA-LaNN模型。该模型同时采用基于BiLSTM神经网络的特征抽取器和基于Transformer神经网络的特征抽取器来抽取输入句子的全局交互特征,以获得高质量的句子向量表示。特别地,QA-LaNN模型能够根据输入句子的长度自动选择对应的特征抽取器,更有针对性地解决现有方法难以解决的长句子容易面临的长期依赖问题。本文在公开可用的答案选择数据集上,进行了一系列实验来评估提出的模型。实验结果表明,本文提出的基于改进Transformer神经网络的答案选择模型和基于长度自适应神经网络的答案选择模型在标准评价指标上可以超过多个有竞争力的基线模型。同时,研究还发现将基于BiLSTM神经网络的特征抽取器和基于Transformer神经网络的特征抽取器分别应用于短问题和长答案,可以显著提高答案选择的性能。