计算机对文本的表示和理解一直是一个我们亟待解决并一直在尝试的问题。在以前的信息检索任务中,被检索的文档比较长,已经包含了非常丰富的信息。但是在流行的文本问答等任务中,问题和答案文本都是比较短,对这种短文本做匹配任务就需要更加精细的建模。基于词分布式假设发展而来的词向量技术,使得语音数据和图像数据大放异彩的深度学习也能够在文本领域有用武之地。深度学习在自动学习端对端的输入到输出之间的复杂非线性关系尤为出色,但是却要完全放弃我们已有的丰富的领域知识构建而成的丰富特征。为了利用深度学习的巨大潜力和传统的文本建模方法,融合了传统的基于计数的特征和深度网络学习的特征来预测问答对的匹配程度。除此以外,中文由于其很多独特的地方,例如需要分词、字词不同级别的语义以及不同的语法和表达习惯,集合英文问答任务积累的丰富的研究工作给的借鉴,我们还结合了中文的特点去建模到传统计数模型和嵌入模型,最后的特征融合和模型融合的策略取得了较好的效果,显著优于基础的基线模型。