机器阅读理解是自然语言处理领域中问答系统任务的主要研究方向之一,其目标是结合给定的文本来得出所提问题的答案,属于监督学习任务。由于在传统的问答系统中,答案的提取方法过于繁琐,大量的信息无法得到有效利用,多数情形下难以高效地从原始文本中提取结构化的信息。而机器阅读理解技术则可以更好地提取原文中与问题有所关联的内容,从而较为精确地给出与问题匹配的答案,不仅可以促使问答系统变得更加健全,同时还能为实现高级人工智能打下根基。现阶段的机器阅读理解任务中多以双向注意力流模型Bi DAF为基础,采用多阶段的、层次化的处理,使得其可以捕获原文不同层级的特征,同时采用无记忆的双向注意力机制加强了原文和问题特征间的学习。但作为处理机器阅读理解任务的热门模型,Bi DAF也有其局限性。原始的Bi DAF模型的输出层在一般情况下是利用softmax函数在原文中寻找答案的开始位置和终止位置,仅应用于单答案的阅读理解任务。本文的研究围绕多文档多答案的机器阅读理解任务,涉及理解、推理等复杂技术,以Bi DAF模型为基础,根据具体任务对模型做出针对性的修改。使用的数据是面向军事应用场景的大规模中文阅读理解数据集。该数据集包含24,445个问题答案对和62,789篇文章,其中每个问题答案对对应5篇文章,同时答案个数可能不唯一,均是抽取自原文档中的文本信息。本文的主要研究工作如下。首先对所使用的数据集进行了初步的分析工作,包括统计文档的长度、答案的信息来源文档及其个数与长度,改善分词过程并统计词频,探究数据各字段文本间的相似性。特别地,经验证得到作为答案信息来源的文档相比于非答案信息来源的文档而言,它们与其相应问题间的余弦相似度显著高于后者的初步结论,从而为后文筛选输入文档的工作提供依据。其次,改进了Bi DAF模型的输出层,使其适用于多答案的机器阅读理解任务。为了将模型实际应用于本文的数据集中,考虑利用已融合问题信息的原文的词向量矩阵,将其中所包含的语义信息通过可训练的权重向量映射为对应于原文每个词的标量,并通过给定阈值以及假设检验的方法得到预测答案。然而,由于可能存在某些答案无法通过阈值筛选得到,但它们在其局部序列中是较为突出的,因此进一步地构建了更加灵活的局部变点检测方法,并同样利用t检验获得答案。此外,还根据改进后的的输出层重新定义了合适的损失函数以优化模型。经实验,相比于单一的阈值筛选方法,使用了局部变点检测方法的模型对答案的预测效果有明显的提升。最后,为了进一步提高模型预测的准确性,采取了以下措施对模型进行改进:一是利用softmax函数及相应的阈值对每个问题答案对的5篇文章进行筛选,在几乎不损失关键语义信息的前提下尽可能减少输入模型的文本量以提高模型训练的效率;二是在模型的双向注意流层后引入自注意流层,使模型更深层次地学习语句内部的词依赖关系,捕获句子的内部结构,加强其对原文及问题特征的学习;三是以字嵌入代替词嵌入,从而消除由大量专有名词导致的分词效果不佳而引起的分词边界误差。通过比较测试结果可以发现,自注意力机制的引入能够小幅提升模型预测答案的准确性,但以字嵌入代替词嵌入反而会使得模型的预测效果下降。