问答(Question Answering,简称QA)是自然语言处理领域中一个非常热门的研究方向。问答系统中涉及到的技术颇多,其中最主要的部分便是答案源的搜索与选择。答案源的搜索旨在从大规模数据集中筛选可能包含问句答案的文本集合,一般使用传统的无监督方法。答案源选择则是在已有候选文本集合下,通过深度学习方法选择或抽取能够回答用户问题的答案。本文面向问答系统中的答案源搜索和选择任务,分别做了如下三个部分研究:(1)基于密度优先策略的答案源搜索方法研究现有的答案源搜索方法通常都是基于词共现,未曾考虑问题关键词分布的情况,本文发现存在关键词多且密的片段成为优质候选答案的可能性较高,基于此我们提出了基于密度优先策略的答案源搜索方法,其求解原理是利用问题关键词在文本中的最大分布密度来衡量问题和文档的相关度,其设计动因来源于实际数据的观测结果,即在正确答案源中,问题关键词的分布往往较为密集。同样,在该研究中我们也对比了传统方法和深度学习方法在不同句子粒度上的性能表现,为在实际运用中二者之间的权衡给予了一定的参考标准。(2)基于多粒度交互融合的答案源选择方法研究目前,大量的深度学习方法已被成功运用于答案源选择任务中,其中,基于交互的模型取得了显著成果。基于交互的方法核心问题在于交互矩阵(匹配矩阵)的构建,现有答案源选择方法在构建交互矩阵时仅考虑一种类型的语言特征,即单词级别或句子语义级别的特征。相比之下,本文发现多种类型的语言特征的共同使用有助于增强局部相关性表示。因此,本文提出了一种多粒度交互融合方法,该方法同时获取相同粒度以及不同粒度的语言单元之间的交互信息。在此基础上,本文融合了不同的交互信息,并按照先前的工作将卷积神经网络应用于交互矩阵,以解码全局问题与答案源的相关性。(3)问答系统原型实现结合前文答案源搜索和选择方法的研究,本文使用中文维基百科数据,通过储存与检索架构ES,基于前端Vue、Bootstrap和后端Tornado框架搭建了检索式的问答系统原型。用户输入相关问题,系统便可结合本文提出的密度优先策略和多粒度交互融合的方法,从中文维基百科数据中搜索与选择,并最终返回最有可能包含用户问题答案的句子或段落。本文从整体到局部,针对问答系统中的答案源搜索和选择任务中发现的现象和问题,提出了相应的解决思路和实现策略,两者在各自任务的实验上均达到了前沿的性能。同时本文由局部回归整体,整合以上两种算法,基于中文的百科数据构建了检索式的问答系统原型。