搜索引擎的使用方便了人们的生活,但其查询结果仍需要人工筛选。给定一个问题,如何精准地获取正确答案显得至关重要。答案选择排序是解决该问题的一个切入点,其关键就是问题答案句子之间的语义相似度计算。在语义相似度计算方法一定的条件下,问题答案句子之间的语义相似度主要取决于问题答案句子内部的语法语义信息以及问题答案句子之间的语义信息。本课题基于语义相关度距离概念假设,构建新的答案选择排序模型,并且从以上两个方面提升模型性能。本课题研究的主要贡献如下:1.提出了问题答案句子语义相关度距离的概念假设,详细诠释了如何将候选答案集合中的正确答案和错误答案区分开,从而把正确答案选择出来。然后,依据该理论构建了新的答案选择排序模型。2.针对答案选择排序任务,使用统计和深度学习相结合的方法提取句子词性特征。先使用深度学习模型进行句子上下文语义捕获,再使用统计模型进行标注并解决未登录词的标注问题。然后通过集成两种模型的优势进行高效地词性特征提取,并进行实验性能验证。最后将问题答案句子词性特征与排序模型融合,增强问题答案句子内部语法语义信息。3.通过词性与原始语料融合后的语义引入注意力机制。区别于针对原始语料或者问题答案句子某一特征进行的注意力矩阵构造等已有的注意力使用方法,本文先将词性与原始语料进行融合,再运用融合后的向量构造注意力矩阵,进而融合到排序模型之中,增强问题答案句子之间的语义信息。基于以上研究,本文排序模型在NLPCC 2017 DBQA问答数据集进行实验。结果表明,本文基线排序模型融合词性和注意力之后,其MAP、MRR和ACC@1三个性能指标分别达到79.34%、79.42%和70.13%,明显高于其他排序模型的性能,从而验证了本课题排序模型理论假设的正确性及模型的合理性、有效性和先进性。