随着信息技术的发展,互联网信息的爆炸式增长,给互联网用户带来了更加丰富多样的信息,但是普通互联网用户很难从搜索引擎检索的网页列表中快速定位与问题相匹配的正确的答案,为了满足这种需求,知识问答系统的出现解决了快速获取知识的问题,但是当前知识问答系统还有明显的不足。从互联网上快速获取知识是当今世界计算机人工智能领域一个非常大的挑战。与传统的知识问答系统不同,本文引入了阅读理解模型来寻找与问题匹配的答案。为了使得基于阅读理解的知识问答系统获得更好的效果,本文的主要创新工作如下:(1)基于IRGAN的相关Wikipedia文章检索:本文创新地将知识表示学习TransE与生成对抗网络检索模型IRGAN进行结合,并设计了IRGAN的得分函数以及特征构建策略,来提高与问题相关的Wikipedia文档检索的准确率。相较于One-Hot、Word Embedding,TransE模型利用结构化知识增强了自由文本的语义信息,为接下来IRGAN以及阅读理解模型特征建模提供了支持;同时相较于基于关键字和TF-IDF的相关文档检索技术,IRGAN生成对抗网络文档检索模型明显地提高了检索的准确性。(2)引入注意力机制的阅读理解模型:本文在双向LSTM网络当中引入了注意力机制来对传统的阅读理解模型进行改进,在获取相关Wikipedia文档集合后,需要使用机器阅读来获取答案所在的段落,本文创新地引入了注意力机制从不同特征层面来改善传统的阅读理解模型,提高了阅读理解模型的准确率;而且相比较于传统的知识问答来说,阅读理解获取的答案的阅读性更强,并能利用更丰富的自由文本资源。(3)搭建本文问答系统,通过不同数据集对问答系统各个环节的算法进行训练以及评测分析,并与其它算法模型进行对比。