问答系统在自然语言理解中发挥着重要作用,是评价对于数据集进行阅读理解相关能力的替代方式,具体的问答方式包括有:范围提取、多项选择和开放领域等等。然而这些数据集都有明显的限制:其一为缺乏数学推理,数学推理作为人类的智力技能,该考验可以进一步推动问答推理的发展;另一方面缺乏推理的可解释性。这些都阻碍着问答社区之后的发展。为了解决上述的缺陷,我提出了一个新的数据集——Noah QA。该数据集引入数学应用题文章作为文本,并引入数学表达式为答案类别之一,在对话问答的场景下,给出了基于文本片段和对话历史的推理问题所需要的推理路径,而这一推理形式是推理图,这是一种崭新的复杂推理方式。该数据集为深度学习背景下的问答系统提供了数据支持。而针对推理图,同时提出了基于推理结构和文本语义的评测方式——有向环状图相似度。为了解决该任务的挑战,提出了可以推理文本与对话历史关系的推理图模型,其中,引入的指针-生成解码器能够解决数学问题,且以图卷积网络为基础的推理模块能够对文本片段和对话历史进行推理并给出可解释的推理路径。经过大量实验验证可知,相比传统数据集,Noah QA数据集在推理难度和可解释性上具有明显的优势,而与此相对,推理图模型经过消融实验证明推理模块具有提升推理能力的效果,最后,总体效果相比历史模型也有明显提升。与此同时,还出了针对数据集文本和对话对于推理必要性的实验证明和模型对多轮对话推理有效性的实验验证。还做了有关跨语言、转移学习的相关实验。