随着用户信息获取要求的提高,传统的搜索引擎已经越来越难以满足用户的需求。虽然搜索引擎可以返回给用户相关知识,但用户仍需要二次提取。为此研究人员提出了智能问答系统,它能够为用户提供一个精准的答案。根据答案的类型不同,将智能问答系统分为事实型和非事实型两种。事实型问答系统通常以一个实体或者概念作为答案,非事实型问答系统通常是以一个句子或者段落作为答案。它能够对问题详细的解释说明,所以常应用于特定领域中,本文就特定领域非事实型问答系统展开研究。非事实型问答系统主要从问答数据库中获取答案来回答用户输入的问题。目前问答系统多是基于先进的神经网络模型设计完成,借助强大的语义模型来选取合适的答案来返回给用户。但是仍然存在问题,神经网络模型是平等的对待学习到的语义信息,如专业术语与普通词是同等重要。这无法体现出领域知识对问答系统的重要性,所以现有的非类事实问答系统在处理特定领域的问题仍具有一定的难度。针对上述问题,本文着重于挖掘特定领域内信息,结合信息检索技术和深度神经网络,设计了一种针对特定领域的非事实型问答系统。然后基于RASA开源框架实现了特定领域智能问答助手。本文主要展开以下工作:第一,特定领域的术语挖掘。在特定领域中专业术语通常是由几个普通词语组成,由于中文语义的复杂性和分词工具限制,这对专业术语提取的研究造成许多困难。针对这个问题,本文提出了一种特定领域的术语挖掘方法,从特定领域的文档中提取专业术语,专业术语可以用作领域知识的重要来源。首先,使用频繁词挖掘算法提取出候选频繁词集;然后,根据术语的词频词性特征设计相应的过滤器,对候选频繁词集进行过滤;最后,在web知识库上进行验证后构建专业术语库。第二,目前多数问答系统在开放领域拥有不错的表现,但是在特定领域表现不好。其主要原因在于:一个是领域知识缺乏;另一个是语义模型平等对待领域知识与普通知识,难以突出领域知识的重要性。因此,本文设计特定领域非事实型问答系统,主要包括三个部分:术语挖掘模块提取专业术语作为领域知识的补充;语义匹配模块则是基于孪生神经网络离线训练语义句子匹配模型;答案检索模块通过查询步骤和排名步骤实时处理用户的查询问题。最后,本文在两个真实数据集上对该系统进行评估。实验结果证明,本文设计的问答系统的有效性。