教会机器理解自然语言形式的文本,是当下人工智能的一大难以捉摸并且长远的挑战。本文致力于研究自然语言处理中的两大任务:自动问答和问题生成。其中自动问答是指在有了一定知识储备的情况下,机器能够回答对其知识范围内的自然语言形式的提问。问题生成是指机器在阅读并理解一段文本之后,能够针对该文本提出问题。一方面,本文认为,自动问答和问题生成已经逐渐成为人机交互的新趋势,另一方面,这两方面的研究对于其他诸如对话系统的人工智能应用的发展极其重要。本文针对自动问答和问题生成开展的主要工作及创新如下:(1)研究了知识图谱构建技术,完成了受限领域知识图谱的构建工作,设计并实现了基于知识图谱的自动问答模型。针对问答时出现的问句逻辑比较复杂和问句实体在知识图谱中找不到相关三元组的情况,分别提出了对多实体和多关系问句进行逻辑拆解和用知识三元组与问句的语义相似度构造查询语句的方法,提高了问答系统的理解能力和查全率。(2)研究了基于知识图谱的问题生成技术。针对现有技术只能对单个知识三元组提问的缺点,同时结合基于模板的问题生成方式的优点,提出了一种基于多个三元组的问题生成模型,对于给定的任意个三元组,模型能够针对指定答案自动生成自然语言形式的问题,提高了问题生成模型生成的问题的多样性和难度。(3)研究了基于自由文本的问题生成技术,利用编码器解码器原理,设计并实现了基于自由文本的问题生成模型,根据给定的自由文本,模型能够在理解文本内容后针对指定答案自动生成自然语言形式的问题。