随着近几年来人工智能的飞速发展,我们越来越想检验一下机器能达到一个什么样的智能水平。为此,国家在2015年启动了“高考答题机器人”的相关项目研究,而自动解答高考作文题则是其中的一个重点研究课题。我们针对这一课题,对作文题意分析和文本生成技术两方面进行了深入的研究。作文题意分析就是给定一篇作文题目,从中提炼得到一个话题词集合,这些话题词明确了写作内容。针对这一任务,我们利用规则匹配和关键词抽取方法能够处理大约40%的作文题目。而对于剩下部分的作文题目分析,我们将其视为成一种特殊的文本标签推荐任务,这也是题意分析部分的重点研究内容。考虑到任务的特殊性,我们提出了基于层次化深度神经网络的模型。首先,我们利用GRU或CNN学习得到句子向量表示,然后以句子向量作为输入,利用句子层GRU得到文本向量表示,将文本向量作为特征输入到逻辑回归模型中预测每个候选标签词的置信度。实验证明,基于层次化深度神经网络的模型在训练数据充足的情况下,能够获得优于其他模型方法的结果,F1值最高能有8个百分点的提升。虽然基于层次化深度神经网络的模型在作文题意分析任务上能够取得非常好的效果,但是却需要较大规模的训练语料,然而大规模语料的获取往往是费时费力的,所以,我们又提出了将深度神经网络的和迁移学习相结合的方法。我们首先在源领域训练深度神经网络模型,然后利用迁移学习方法在目标领域再次进行训练,利用源领域学到的知识来帮助目标领域上的学习。在两个数据集上的实验证明了基于迁移学习方法显著优于有监督学习方法,在豆瓣数据集上F1值最高能达到7个百分点的提升,在作文题目数据集上P@3值最高能提升31.4个百分点。在文本生成技术研究方面,我们主要关注符合多主题的段落级文本生成问题。我们希望模型能够接受多个话题词的控制,生成包含这个多个话题词语义的一段文本。为此,我们提出了Coverage-based LSTM模型。在该模型中,我们构建了一个多主题的Coverage向量,它学习每个话题词的权重并且在生成过程中不断更新。然后,该向量输入到注意力网络中,用于指导文本生成。此外,我们还自动构建了两个段落级的中文作文语料,包含305,000个作文段落和56,621个知乎文本。实验表明,我们的模型在BLEU指标上相比于其他模型获得了更好的结果。而且,人工评价结果表明Coverage-based LSTM模型有能力生成连贯并且和输入话题词相关的文本。