篇章标题选择类题目是高考语文阅读理解的题型之一,也是人工智能领域研究的课题之一。篇章标题选择类题目是给定一篇背景材料、一个问题和四个候选选项。问题要求机器根据对篇章内容的理解,从多个候选项中选取能够准确恰当的概括表达篇章内容的选项。标题往往是高度凝练且能准确表达文意、结构鲜明的词串。因此,如何对篇章内容进行归纳概括、对标题结构进行梳理和分析是解答篇章标题选择题的关键。针对高考语文阅读理解篇章标题选择题,本文构建了一个融合了卷积神经网络和循环神经网络的神经网络模型。该模型包含了卷积神经网络提取局部特征的特性,又集合了循环神经网络捕捉句子上下文之间的关联信息的特点,分别对标题和篇章进行分布式表示,计算文章与标题之间的相关性,选择最合适的标题。基于端到端的神经网络模型虽然可以自动学习特征,但是由于数据的稀疏性、问题的复杂性,效果提升不是很明显。在此基础上,进一步分析题目的特点之后,提出了标题与篇章要点相关性分析模型,该模型首先抽取篇章要点,计算每个选项与各个要点的相关性,通过分析标题与篇章要点的相关性,构建了基于标题和篇章要点的相关度矩阵,在此基础上融入标题结构特征,选取与篇章最相关的标题。由于没有针对篇章标题选择类的阅读理解数据集,本文首先收集了全国近13年的高考真题、测试题,其次基于LCSTS数据集,对其进行筛选、整合、构建负例,形成TS-LCSTS(Title Selection-LCSTS)数据集,然后分别在两个数据集上进行了实验,验证了本文方法的有效性。