在教育领域,老师通过提问来引发学生的思考,学生通过自我提问来考查自身对知识的掌握情况。但是老师通过知识信息人工生成问题需要耗费大量的时间和精力,而学生自己提问有时难以把握知识重点。为了解决这些问题,提高教学质量,研究者开始研究如何通过问题自动生成系统提供足够的问题来减轻讲师的负担,帮助学生自学。与此同时,在聊天机器人的对话领域,问题生成模型可以让聊天机器人通过自然提问的方式,更好的与人沟通,进一步提高其智能化。一开始研究者采用的是通过解析句法结构的思路来进行问句生成,而随着深度学习的不断发展,越来越多的研究者使用深度学习中的seq2seq模型作为问句生成模型的基础结构,因为seq2seq模型在处理序列数据上,具有其他模型难以比拟的优势。本文结合已有的研究情况,考虑到句子的语义结构和生成的问题类型有一定的联系,并且人们对于一段描述性文本只会提出特定方面的问题,本文提出了一个基于问题模式选择的seq2seq-attention问句生成模型。具体工作内容如下。（1）在词嵌入阶段,采用的是通过构建词汇间的共现矩阵来学习词向量的Glo Ve模型。传统的词嵌入方法word2vec训练出的词向量包含的语义信息极为有限,仅仅能进行词语相似度比较等有限的任务。而Glo Ve模型构建一个词汇间的共现矩阵,通过计算不同词汇共现频率的比值来增大词汇之间区分度,因此能够对句子的潜在语义进行分析,并用词向量表达出来。实验证明使用Glo Ve作为词向量学习的问句生成模型在BLEU评分上取得了1.0左右的提升。（2）在传统的seq2seq模型的基础上,在编码阶段使用双向LSTM（Bi-directional Long Short-Term Memory,Bi LSTM）结构作为神经网络单元,能够比单层LSTM更加完整的编码文本所包含的信息,并引入了attention机制,能够在数据传输过程中对文本信息进行选择性传递,提高模型对于文本关键信息的能力,降低重要信息在传递过程中丢失的可能。（3）在编码阶段,传统的seq2seq仅进行一次针对语义信息的编码,而本文所提出的模型多进行一次针对语义结构的编码,使聚类了句子语法结构的编码向量能够传递到解码阶段,使模型能够针对不同的语法结构,选择不同的提问词,提出更加符合人类思维方式的问题。实验证明加入了问题模式选择的问句生成模型在人工评估上,取得了比未进行问题选择的模型更好的分数。最后与传统的问句生成模型进行对比试验得出结论,本文设计的问句生成模型生成了更好的问题,在BLEU评估分数上取得了一定的提升,人工评估阶段也有着更好的表现。