近年来随着神经网络的快速发展和海量数据的积累,深度学习在众多自然语言处理任务上取得了引人注目的成果。然而,能够真正帮助机器理解人类语言的自然语言理解任务仍然是自然语言处理领域乃至人工智能领域的一大难题。自然语言推断作为自然语言理解的基础任务之一,常常被用于验证机器是否理解自然语言文本。自然语言推断可以帮助机器判断两个文本片段——前提和假设之间的语义逻辑关系,即蕴含、无关或矛盾。在这个文本间逻辑关系推断任务中,现有方法通过引入对齐机制有效地捕捉到前提-假设文本对间的对齐成分,从而帮助机器识别蕴含关系。然而这些对齐成分在一定程度上会引起模型对无关关系的判断,仅考虑对齐成分会导致一种无关预测偏置问题。此外,由于现有自然语言推断方法的预测结果缺乏相应的可解释性,研究者们开始展开对自然语言推断进行解释生成的探索。具有可解释性的自然语言推断不仅可以帮助我们衡量推断结果的可信度,还能了解现有技术存在的缺陷和弊端,从而有针对性地对其进行改进。目前,自然语言推断的解释生成大多采用基于编码器-解码器框架的解释生成模型。然而,由于逻辑语义被隐式地包含在前提-假设文本对中,这些基于判别式的解释生成模型难以有效地生成包含正确逻辑语义的解释。针对上述问题,本文对自然语言推断及其解释生成展开研究,主要工作内容如下:·针对自然语言推断中的无关预测偏置问题,本文提出一种具有高度可解释性的多视角推断器(Multi-Perspective Inferrer,简称MPI)。在多视角推断器中,每种逻辑关系具有相应的视角与之一一对应。该推断器从多个视角出发在两个文本片段中捕捉相应最有价值的成分,从而形成完整视角并做出最终的逻辑关系预测。此外,为了保证该推断器的视角与逻辑关系能够一一对应,本文设计了一种辅助损失函数对视角进行监督,实验表明该辅助监督不仅提升了多视角推断器的预测效果,也使推断结果具有很强的可解释性。·针对自然语言推断解释生成中逻辑语义错误的问题,本文提出了一种深度生成式的变分解释生成器(Variational Explanation Generator,简称Variational EG)。变分解释生成器通过引入隐变量对前提-假设文本对间的逻辑语义进行显式建模,帮助生成具有正确逻辑语义的解释。为了解决变分解释生成器训练过程的后验坍塌问题,文本提出了一种逻辑监督作为辅助损失函数。实验表明变分解释生成器有效解决了判别式解释生成器中逻辑语义错误的问题,生成具有更高质量的解释,而且在提供可解释性的同时有效提升了逻辑关系识别的准确率。