机器阅读理解是自然语言处理领域最为重要的一个方向,这也催生了一大批用于做机器阅读理解任务的神经网络模型。尽管如此,多数模型使用的仍是基于LSTM或是GRU的结构,此种结构虽然效果不错,但由于RNN的性质,导致这种结构较为耗时,且多数模型在注意力机制的应用上是一种粗粒度的,这对机器回答问题的结果会有一定的影响。因此,文中提出了一个新的细粒度的模型结构,该结构采用了在速度上能够与CNN媲美的SRU作为网络的主要结构,并使用了细粒度的注意力机制对文章及问题的表示进行对齐操作,能够较好的结合文章及问题的信息并对答案进行推断。此外,文中还使用了一个新的网络架构,称之为doubled SRU,该结构是一个两层的SRU变种,其中第二层的SRU使用了上下文的表征计算当前的隐状态。在输入层之后,文中的网络结构设计了多种对齐结构,包括文章问题对齐层、问题文章对齐层以及自对齐层等,这些对齐结构都是根据注意力机制的思想设计而成。本文在斯坦福的问答数据集上进行了实验,最终在SQuAD 1.1版本的数据集上,文中使用的模型结构在交叉验证集上取得了 85.1的F1分数,而在后期的升级版数据集SQuAD 2.0上,文中的单模型结构在其交叉验证集上取得了 65.95的F1分数,这一分数已经超越了斯坦福官方给出的两个baseline模型,但仍低于效果最好的baseline模型,仍有较大的改进空间。