问答匹配在是问答系统研究中占有重要的地位,在智能问答中,问答匹配是给出一个问题和该问题的候选答案的集合,根据计算出问题和候选答案之间的相关度从而选出相关度最高的候选答案作为该问题的最佳答案反馈给用户。在特定领域的问答匹配任务中,问题和答案之间的相似度往往不高,且两者之间的语义也不相似,这也给传统的问答匹配方法带来了新的挑战和困难。在特定领域的问答匹配任务中,例如:医疗,军事,化工等领域的问答匹配任务中。由于一个新出现的领域中标注的数据样本较少,使得训练过程成无法训练出良好的训练模型,使得训练模型泛化能力较差,难以使得问答匹配的准确率得到很好的效果。但如若对新出现的领域数据进行人工标记,则人工标记数据的成本和代价会很昂贵。然而相关领域之间往往有着大量的标记数据样本,相关领域之间的数据虽说会有所差异,但是一定会有能够帮助对新领域任务有所帮助的数据。本文研究在此背景下,采用基于深度迁移学习的问答匹配方法,小规模数据集在少量标注样本情况下问答匹配的准确率得到了进一步的提升。具体研究内容如下:1.基于Bi LSTM的跨领域迁移学习的问答匹配方法。该方法在基于深度学习模型的基础之上结合到迁移学习完成问答匹配准确率的提高。首先使用Bi LSTM模型训练源领域的数据集,并且保存该模型的参数权值。之后对目标域的训练模型,初始化之前的参数和权值并导入,用目标数据集进行模型再训练,从而实现跨领域迁移。分析研究表明,跨领域的迁移学习方法可提高同一深度学习训练模型在不同领域中学习的泛化性能。2.基于Transformer的跨任务迁移学习的问答匹配方法。跨任务迁移学习方法首先在于利用问题分类数据集预训练问题分类任务,在保存训练模型的同时获取参数;之后将已训练好的问题分类模型Transformer的编码层作为迁移知识,初始化问答匹配训练模型的特征编码层,并且替换上一层中的分类层继续微调问答匹配任务的训练模型,得到最终的问答匹配训练模型。