问答系统指依据已有的资源对人类自然语言描述的问题进行理解、分析并最后给出答案的综合智能体。可根据利用数据的不同,分为无外部知识的问答系统和有外部知识的问答系统。前者通过检索式问答系统来得到回复,保证了回复的安全性与可靠性,但是其回复泛化性能较差,适用于逻辑性不强的问答领域。后者通过利用数据库知识得到回复,泛化性能较好,适用于逻辑性较强的问答领域,但回复的安全性和可靠性较差。两种形式的问答系统共同组成了一个完整的问答系统。回复的准确性和实时性是衡量问答系统好坏的重要指标。本文根据问答系统的特点从以下三个方面进行了研究:无外部知识的检索式问答系统回复准确性研究。实现了大数据背景下的文本快速检索。通过构建倒排索引和BM25算法得到相似文本的候选集合。通过利用基于BERT的语义相似度计算模型实现了对候选集合的重排序,得到最佳检索结果。实验结果表明BERT模型的引入有效的提升了问答系统回复的准确率。数据库知识问答系统回复准确性研究。传统方法对问题与知识的关系捕捉能力较差,输出解析没有充分考虑SQL语句的特点,忽略了部分表头信息。本文将问题与数据库表头共同作为XLNet的输入,在输入侧引入表头文本类别信息,强化模型对问题与数据库知识特征之间关系的理解。本文根据SQL语句的特点,将单一任务划分为六个相互关联的子任务,实现了对语义表达信息的高效解析。实验结果表明,模型有效的提升了回复的准确率,远超基线模型。问答系统的实时性研究。为了提升问答系统的实时性,对问答系统中利用的预训练模型进行了蒸馏。本文针对预训练阶段产生的句向量进行蒸馏,在下游任务中利用得到的蒸馏模型进行微调,实现了具有迁移性的蒸馏方法。实验结果表明,在多个任务上,蒸馏模型在保留原有模型性能情况下,实现了模型实时性的提升和内存消耗的降低,有效地提升了问答系统的实时性。