选择类型的题目是人们设计各类考试或问答节目的常见形式。人们在设计有多个选项的选择题时,需要同时给出正确选项和若干迷惑选项。迷惑选项在确保自身错误性的同时,还需与问题或正确选项具备一定的语义相关性以保证其迷惑性。错误性和相关性的双重要求使得迷惑选项的设计通常需要人们花费大量的时间和精力。因此,如果能够设计一种算法针对给定的问题自动生成若干可供选择的迷惑选项,将有效提高人们设计选择题的效率。传统的自动问答系统(Automatic Question Answering System,QA)能够根据用户提出的自然语言形式的问题返回给用户简洁的、自然语言形式的正确答案。但问答系统技术仅关注正确答案的生成,很难提供错误选项。本文针对单选类型的选择题,提出了用于评价迷惑选项的迷惑度。迷惑度表示在给定问题和一个正确选项的前提下,一个错误选项被测试者可能判断为正确选项的程度。在此基础之上,本文进而设计了一种基于迷惑度的迷惑选项生成算法(Generation of Confusing Options based on Confusion Degree,COG)。该算法使用深度学习技术,从迷惑选项与问题之间的语义相关度、迷惑选项与正确答案之间的语义相关度和迷惑选项与正确答案的类型匹配三个方面计算迷惑度,然后根据迷惑度值从候选词库中选择合适的迷惑选项,从而实现单项选择题的辅助生成。基于迷惑度的迷惑选项生成算法仅考虑了直接语义相关度,没有考虑到迷惑选项和正确答案的语义相关度可能随着问题的不同而改变。在面对部分语义相对性较高的选项时,该缺陷可能导致算法效果不佳。因此,本文提出了改进的基于迷惑度的多项选择题的迷惑答案生成方法(Improved Generation of Confusing Options based on Confusion Degree,ICOG)。该算法在COG算法的基础之上考虑了迷惑选项和正确答案之间相对于某给定问题的语义相关度,并且针对不同类型的问题过滤了与该类型相关的迷惑答案干扰选项。本文通过实验来对COG算法以及ICOG算法进行验证。结果表明,COG算法和ICOG算法能够准确、有效地生成问题的错误选项,可以用于单项选择题的辅助设计。