信息技术的高速发展,带来了数据量的爆炸式增长。问答系统的出现让人们可以通过计算机从海量的数据中直接获取需要的答案。作为问答系统一直以来的研究热点,答案选择类问答系统通过对部分符合要求的信息进行筛选和排序的方式来选择输出的答案。针对当前研究中自然科学场景缺失、逻辑推理能力不足和特征信息权重分配不合理等问题,本文的工作内容如下:(1)本文采用基于注意力机制的长短期记忆模型(Attention-based LSTM)用以优化科学考试场景下的答案选择类问答系统,其优势在于将复杂的信息检索问题转换成二分类问题。该模型可以根据问题从多个候选答案中选取最符合题意的答案,在不借助外部知识库的情况下,对英文和中文不同数据子集分别取得35.3%和46.5%的准确率。(2)本文采用基于注意力机制的卷积神经网络和长短期记忆的组合模型(Attention-based CNN-LSTM)用以优化阅读理解场景下的答案选择类问答系统,其优势在于利用知识库来提升问答系统的逻辑推理能力。该模型借助给定的问题和相关的知识文本,从2个候选答案中找出正确答案。实验结果表明,该模型的分类准确率达到711.4%。(3)本文提出了一种基于TF-IDF权重的双向长短期记忆模型(TF-IDF Bi-LSTM)用以解决注意力机制信息权重分配不合理的问题,充分考虑词频和逆文档频率两个因素对特征信息的贡献。该模型将科学考试场景的英文和中文数据子集的分类准确率提升到41.2%和52.3%。同时在阅读理解场景的数据集上,准确率提升到78.3%,最后通过模型集成的方式将准确率提升为81.1%。