开放域问答系统即机器根据开放域的知识库,自动为我们解答问题的系统。具体地,系统首先根据问题在开放域的海量文档中检索出最有可能包含答案的文本段落,进而从段落中抽取出答案。开放域问答系统有着极其广泛的应用场景,这些应用已经渗透进大众生活的方方面面,比如智能语音机器人、智能搜索引擎。由于其巨大的商业价值,开放域问答领域不断吸引着应用程序开发者以及相关领域研究者。本文的主要工作从对开放域问答系统的三个关键技术研究展开,分别为检索系统、机器阅读理解系统、答案验证系统。第一部分提出了一种基于稠密语义向量表示的信息检索模型。为了结合BM25算法对词结构匹配的优势和本文提出的DSVRM模型对语义匹配的优势,我们提出了两种结合策略。第一种是简单的对BM25算法和DSVRM的相似度得分进行线性加权,第二种是基于多路召回和段落重排序的方法。实验结果表明,基于多路召回和段落重排序的方法得到的实验结果要略好于前者。最终模型在NQ,TriviaQA,WQ,SQuAD这四个数据集上取得的最好的top-20检索准确率分别为80.2%,80.6%,75.4%,73.9%。第二部分提出了两种机器阅读理解模型,第一种基于双向LSTM模型,引入字符级别词向量、语言学特征来丰富词向量信息,并且使用双向注意力机制。在SQuAD数据上取得了 EM为80.1,F1为84.6。第二种基于预训练语言模型,得到了更好的效果,其中EM为84.1,F1为90.9。值得注意的是,基于双向LSTM的模型虽然在效果上略差于基于预训练模型的机器阅读理解模型,但是前者使用的参数量远小于后者。此外,论文还提出了一种多段落阅读模型,读取多个段落,从而给出答案。弥补了因为检索模型top-1准确率不足而导致的开放域问答系统整体性能下降的缺陷。第三部分提出了一种答案验证模型,用于验证机器阅读理解模型给出的答案的准确性,当段落不包含答案时,拒绝回答。本文提出的结合预验证和后验证的答案验证方法,将模型在SQuAD 2.0数据集上的EM和F1分别提高到了 88.1和90.1。最后,论文总结了目前的开放域问答系统存在的问题,并提出将来可以继续进行研究的方向。