随着大数据时代计算机技术的高速发展,每天都会有海量的数据在互联网中传输,丰富的互联网资源使用户能够获取到大量的信息支持,从而在现实生活中得到极大的便利。然而,当人们面对如此庞大的数据量时,如何迅速得到所需要的信息成为了当前亟待解决的难题。传统的思路是以关键字匹配的信息检索技术进行数据筛选,然而面对数据量的日益膨胀,性能的提升却不尽人意。自动问答系统在语言模型上对问题与答案进行建模,深层次挖掘语义信息并找到问题与答案之间的联系,迅速反馈与问题相匹配的正确答案,为人们高效获取有价值的数据提供了解决方案。本课题研究自动问答系统中的答案选择技术,具体任务流程如下:在一个问题的多个候选答案中,通过监督学习的方式训练语言模型,使模型能够自动将问题对应的正确答案筛选出来。目前主流的方案是使用基于Transformer的预训练模型对问答文本建模,通过答案选择任务数据对预训练模型微调,使预训练模型适用于答案选择任务。然而,预训练模型在微调阶段局限于任务数据,无法获取额外信息辅助答案选择任务,因此本文尝试对任务数据增加外源性知识,以提高模型准确率。在预训练模型应用自动问答系统的过程中发现,由于预训练模型参数量过于庞大而导致预测效率较低,因此提出了两阶段模型提升预训练模型的预测效率。本文主要工作如下:（1）研究了预训练模型微调策略,针对任务数据形式单一限制了预训练模型的性能,通过采用信息检索与知识图谱对任务数据的外源性知识进行扩充与融合,提高了预训练模型在答案选择任务的表现。（2）研究了预训练模型在答案选择任务中性能与效率平衡的方法,提出以基于协同注意力的多层Bi LSTM模型对候选答案进行筛选,在预训练模型BERT中对筛选后的数据做最终预测。实验结果显示在预训练模型性能平稳的情况下,有效地提升了预训练模型的预测效率。