自然语言处理一直以来的目标是让机器能够理解文本,实现人机交互,使机器能够了解人类的需求,从而更好地为人类提供优质的服务。阅读理解任务是测试机器能否理解文本的一种任务,是一项综合的、复杂的任务,包含文本的表示、分析、理解、推理等,相当具有挑战性,因此机器阅读理解所能达到的水平在一定程度上也代表了机器智能的水准。近几年来,随着大规模阅读理解数据集的发布和深度学习技术的快速发展,机器阅读理解任务也有了新的进展。利用大规模语料库训练得到的词向量能够较好地表示单词的含义,循环神经网络通过内部的循环结构和隐藏状态能够有效地获取文本的上下文语义信息,并且注意力机制在计算机视觉领域的成功也给自然语言处理带来了启发,因此本文将研究阅读理解任务中文章和问题的语义信息表示方法,以及如何利用注意力机制融合两者的信息,从而获取关键信息,达到回答问题的目的。本文的研究内容可以归纳为以下三点:(1)基于长短时记忆网络的阅读理解技术。首先获得能够表示单词信息的词向量,包括预训练的词向量、通过Char-CNN获取的字符级的词向量、利用spaCy工具提取的词法特征,将这些单词信息组合起来,然后通过深度的双向长短时记忆网络表示文章和问题的信息,最后通过全连接和双线性分类器预测答案。(2)基于注意力机制和多层连接的阅读理解技术。将多种注意力机制应用在阅读理解模型中,使得文章和问题的信息相互融合,从而提取出关键的信息,更加准确地预测出答案。同时为了优化模型训练,减少信息在网络传递中丢失,我们还使用了多层连接技术,使得信息在层与层之间能相互传递。最后通过模型集成进一步提升准确率。(3)搭建阅读理解可视化系统。我们基于前面的研究内容,实现了一个在线端到端阅读理解系统,该系统拥有模型预测结果的概率可视化界面,可以直观地展示答案预测过程。