问答系统是人工智能领域备受关注的研究方向,也是自然语言处理的重要分支。随着互联网数据的暴涨、硬件设备性能提升以及深度学习技术的成熟,越来越多的智能产品已经融入到人们的生活。目前,主流的自动问答系统都以中文、英语等语言为主。而由于蒙古语文字本身的复杂性、研究人员少以及缺乏公开可用的问答语料库等原因,蒙古文问答系统的研究仍处于起步阶段。本文对蒙古文自动问答进行了如下研究:1.构建了蒙古文问答语料库通过对现有中文问答语料库进行收集、筛选、翻译、校正,构建了含有10万个问答对的蒙古文日常问答语料库,为后续研究提供了数据支撑。2.研究了基于机器学习的检索式蒙古文问答模型检索式问答模型采用TF-IDF方法实现文本向量化,并将用户输入问题与语料库中的问题进行相似度计算,进而匹配最合适的答案返回给用户。实验表明,该模型具有回复准确率高、实现简单等特点。3.研究了基于深度学习的生成式蒙古文问答模型检索式问答模型无法对超出语料库范围的问题提供有价值的回复。对此,本文研究了基于深度学习的生成式蒙古文问答模型,分别实现了基于循环神经网络的模型与基于Transformer的模型。基于循环神经网络的模型使用了LSTM、Bi LSTM、Bi GRU作为网络单元,同时也引入了预训练的Word2vec词向量与Attention机制。实验发现,基于循环神经网络模型中以Bi GRU作为网络单元并引入Attention机制的模型能够更好的理解用户输入的问题,回复的内容更佳流畅,效果最佳。而Transformer模型相比循环神经网络模型在各个方面都得到了提升,其生成的蒙古文质量更好,在困惑度指标上提高了38.51。4.研究了融入蒙古文词切分的蒙古文自动问答模型针对蒙古文问答语料稀缺而出现的未登录词问题,本文在Transformer蒙古文问答模型的基础上对蒙古文问答语料分别使用了蒙古文部分切分、BPE子词切分和Unigram子词切分三种方法进行了切分实验。实验结果表明:对蒙古文进行词切分能够解决未登录词问题,从而提高问答系统性能;对比三种切分方法,基于Unigram子词切分的蒙古文问答模型效果最优,相比部分切分和BPE子词切分在困惑度指标上分别提升了0.8和0.52。5.研究实现了检索与生成相融合的蒙古文自动问答模型为了充分利用了两种模型的优点,提高蒙古文问答模型的性能,本文将检索式蒙古文问答模型与生成式蒙古文问答模型进行了融合,研究了一种融合式的蒙古文问答模型。实验结果表明,融合式模型相比另外两种模型在性能上得到了一定的提升。最后,为了方便用户交互,本文将训练好的模型部署到服务器,并开发了一款蒙古文自动问答平台。