随着移动互联网的不断发展与普及,传统的客服越来越不能满足当前的业务需求,基于语言技术的智能客服系统应运而生。在智能客服问答系统中,用户的问题具有咨询意图复杂、上下文相关性弱、问题多样、指代缺失、口语化严重等问题,造成智能客服在计算问句相似度的准确率不高,容易出现答非所问的情况。基于词匹配相似度计算,只从单个词的字面意思考虑,忽略了文本的语义信息。基于词向量相似度的方法虽然可以有效表达词汇之间的语义关系,但忽略了两个句子在特定语义环境下的相互作用。为了解决上述问题,本文提出了将深度学习中的一些模型引入到智能客服问题相似度识别中来。首先,本文提出基于多交互注意力卷积神经网络MA-CNN(Multi-Attention-CNN)。MA-CNN通过两个不同位置的注意力机制,综合考虑了两个句子间的词语层次、句子级别的深层语义信息,帮助智能客服多层次、多角度、多粒度地理解用户的问题。从而改善了基于词向量的相似度计算方法只关注了句子间词语之间的关系,而忽略了不同句子间整体的语义联系的问题。其次,在交互注意力机制的研究基础上,本文提出一种基于双向多注意力多循环神经网络BMA-GRU(Bilateral Multi-Attention-GRU)模型。卷积神经网络只能获取单向的文本信息,无法从正向逆向两个角度描述文本信息,BMA-GRU使用双向GRU可以从双向进行文本表示,卷积神经网络没有记忆性,语序不会对卷积神经网络产生影响,而使用GRU加入了文本的前后顺序性与记忆性,使得文本表示更合理。在MA-CNN只有交互注意力,无法提取每句话中有用的信息,而BMA-GRU可以对每句话中不同的语义信息有不同的权重,这样可以更好地理解文本。最后将两种模型与基于词向量的传统模型及其他深度模型作对比实验,结果表明本文模型的合理性、有效性。