答案选择是自然语言处理中十分重要的任务,同样也是问答系统中必不可少的组成成分。其基本的定义是给出问题和这个问题的答案候选池,目的是从答案候选池中可以准确地找到问题的最佳答案。该任务最困难的挑战在于答案可能不会直接与问题共享词汇单位,问题和答案之间可能只是语义上相关,而且候选答案的信息时而嘈杂,可能含有大量不相关甚至负相关的信息。早期的答案选择任务都是通过传统机器学习算法来实现的,但这种方式非常费时,而且训练出来的模型易出现过拟合问题。而深度学习近十年来蓬勃发展,在答案选择任务上都取得了不错的成果,其中表现非常突出的有卷积神经网络(CNN)、循环神经网络(RNN)、以及双向长短时记忆神经网络(BiLSTM)。但是这些神经网络都各有优点和不足,例如CNN可以获得句子的局部语义但较难获得长距离信息,而RNN可以获得上下文的序列信息但较难获得句子的局部语义。针对以上的问题,本课题研究的主要工作包括以下几点:1.研究多个基于深度神经网络的答案选择模型,针对CNN较难获得长距离信息和RNN较难获得句子局部语义的问题,通过结合多种神经网络对现有的答案选择模型进行了改进,并通过实验验证了多种组合模型的可行性。2.研究答案选择任务的空间向量表示模型和语义特征对齐模型,在多种神经网络模型下引入注意力机制来建立多种组合模型,并在数据集上验证了改进后的模型(BiLSTM-ATT)的效果超过大部分现有模型,之后再以该模型为基建模型做了进一步的改进。3.针对问题和答案之间存在的语义鸿沟问题,引入知识增强记忆网络的外部知识来填补问题和答案之间的语义间隙,将该方法引用在基建模型后,MAP提升了2.55%,MRR提升了2.85%。4.针对传统注意力机制会引入不相关甚至负相关语义信息的问题,设计并实现动态阈值机制来解决答案选择任务中遇到的注意力机制冗余问题。将该方法引用在基建模型后,MAP提升了1.74%,MRR提升了2.15%。5.将知识增强记忆网络和注意力动态阈值同时引入基建模型后进行实验,并与现有模型进行了对比。最终改进后的模型(KQA-BiLSTM-D-ATT)相较于基建模型其MAP提升了4.20%,MRR提升了4.04%。相较于最优对比模型,其MAP提升了2.23%,MRR提升了2.26%。