获取信息是日常生活中必不可少的部分,然而互联网上的信息特别多,想要获取自己需要的信息费时费力,为解决这一难题,自动问答任务随之提出,其目的是从互联网上找到人们需要的答案。自动问答作为自然语言处理的一个重要的部分,近年来得到了巨大的发展,得益于许多问答数据集的提出,越来越多的自动问答系统达到了较好的效果。现有方法往往假定问题对应的文本已经存在,然而这在现实中很难满足,本文提出的自动问答方法不受这一限制。由于机器阅读理解任务较为复杂,基于特征的方法通过人工构建特征较为困难,基于神经网络的方法模型简单的效果不理想,效果比较好的模型参数比较多,特征与神经网络混合的方法需要将两方面有较好的结合。本文提出的结合双向累加注意力机制和循环答案指针网络的机器阅读理解模型,模型适中,易于训练,参数较少,训练只需万级别语料即可收敛,而且不需要手工构建任务所需特征。本文在此背景下提出了一个基于检索和机器阅读理解的自动问答方法,本文的主要工作和贡献如下:1.本文结合双向累加注意力机制和循环答案指针网络提出了一个机器阅读理解流水线(pipeline),该流水线能够实现对输入的自然语言问题和包含答案的文本进行阅读理解得到答案,主要包括词嵌入层,预训练表示层,上下文表示层,双向注意力层,塑形层和答案指针层。2.本文根据传统的注意力机制,设计了一种适合阅读理解的双向累加注意力机制,能够有效获得文章和问题的相似度,再依据相似度获得文章到问题的注意力和问题到文章的注意力,有利于阅读理解模型定位答案。本文将指针网络拓展为循环答案指针网络,并应用到阅读理解模型中,使用一个软性的指针输出答案在原文的开始结束位置。3.本文实现了一种基于二元语言模型的TF-IDF的文本检索和字符级别的n元语言模型匹配的重排序方法。结合文本检索,重排序和机器阅读理解模型,实现了一个基于检索和机器阅读理解的自动问答系统。该系统能够实现输入自然语言的问句,返回问题的答案。