机器阅读理解是自然语言处理领域中的一个重要研究方向,它要求机器通过阅读文本回答问题。以往的机器阅读理解模型大多专注于单文本检索,这些模型只能根据单个段落回答问题,但是在实际问答场景中往往需要通过对多个段落进行推理才能获取问题的答案。为了解决这个问题,多跳推理问答任务被提出。多跳推理问答是机器阅读理解的子任务,该任务旨在跨多个段落进行推理查找给定问题的答案,具备知识推理的能力。目前已有很多模型在多跳推理问答任务上取得了一定的效果,例如GRN、QFE、DFGN等模型,但仍存在一些不足:首先,大多数现有模型通常仅通过访问一次问题文本来获得答案,因此模型可能无法获得足够的文本信息;其次,很多模型在进行知识推理之前未筛选与问题相关的段落,导致推理模型要处理的数据量过大,时间成本过高。本文针对以上两个问题开展了如下工作:第一,提出了基于段落筛选-推理的流水线机制的多跳推理问答模型。建立了一种由动态图注意力机制和问题重塑机制组成的动态推理网络,对实体图进行推理,考虑了人类不能同时关注太多内容的机制,以解决模型对查询信息理解不充分的问题。在公开数据集上进行了实验,实验结果证明了本文提出的多跳推理问答模型的有效性;第二,提出了基于排序学习的文本检索模型。本文使用多头自注意力机制与排序学习中的Pairwise算法,考虑文档之间的相对顺序,提高了精确排序的平均倒数排名结果。同时,本文将该模型用于多跳推理问答任务的段落筛选阶段,尽可能去除与查询无关的段落,减少推理模型的数据处理规模。在公开数据集上进行了实验,实验结果证明了本文提出的文本检索模型与引入了该模型的多跳推理问答模型的有效性。