文本蕴含识别(Recognizing Textual Entailment,RTE)又称自然语言推理,是自然语言处理领域的一项基础任务,其目标是判断两个句子之间的语义推理关系,在机器翻译、问答系统等任务中都有着重要的应用价值。在研究分析深度学习RTE方法的基础上,本文提出结合互注意力机制和聚合机制的文本蕴含模型(Co-Attention and Aggregation Model,Co AM)。该模型在CCL2018数据集上超过基线模型。本文对该模型进行编码层优化和特征融合实验,并分别应用到问答任务和句子匹配任务上。具体研究内容如下:(1)提出基于互注意力和聚合机制的文本蕴含模型。目前深度学习蕴含识别方法主要由编码、信息交互、聚合分类三部分组成,本文在该架构的基础上提出结合互注意力和聚合机制的文本蕴含模型Co AM。该模型使用互注意力进行句子间语义推理关系的识别,使用改进的聚合机制保留更多编码特征、降低噪音,同时使用池化做进一步聚合。Co AM在CCL2018中文文本蕴含语料上达到93.5%的准确率,超过评测第一名,并优于常用的基准模型如长短时记忆神经网络、增强注意力模型、可分解注意力模型等。(2)基于编码层优化的文本蕴含识别模型。为探究编码部分对模型的影响,文本在Co AM的基础上进行编码层优化实验。使用多层感知器、卷积神经网络、长短时记忆神经网络、自注意力等结构作为模型编码层进行对比实验,实验结果表明使用自注意力机制编码时模型的性能提升较高,迭代速度较快。编码优化模型在NLPCC2016问答数据集上准确率达到81.31%,说明该模型在问答任务上具有一定应用价值。(3)基于融合特征的文本蕴含识别模型。考虑到字是中文最小语义单位的特殊性,以及词语的基本属性词性,本文在包括Co AM的多个RTE模型上进行融合字特征和词性特征的实验。实验结果表明字特征融合在各模型上均有增强效果,而词性特征在部分模型上有幅度较小的提升。融合特征模型在CHIP2018句子匹配数据集上达到79.63%的准确率,表明特征融合对句子匹配任务有一定的提升作用。