机器阅读理解是自然语言处理领域重要的研究方向,根据提供的文本数量,可以分为单文本阅读理解模型和多本文阅读理解模型,鉴于后者具有更高的挑战性和实际应用价值,本文专注于多文本阅读理解模型在中文阅读理解数据集的研究,模型的架构包括段落选择器和文本阅读器。对于给定的问题、文档和参考答案,首先,通过段落选择器从文档中选出与参考答案相关性较高的段落,然后,文本阅读器在选择的段落上完成阅读工作,并预测出答案的范围。针对段落选择器和文本阅读器的任务,本文的主要研究工作包括:1、提出两种基于卷积神经网络的段落选择器,分别是二分类版本和多分类版本。两种选择器均将段落选择转化为分类的任务,首先,预训练问题和段落中单词的词向量,然后,使用双向长短时记忆网路分别对问题、段落中的上下文信息进行编码,接着,使用注意力机制层匹配问题和段落的语义信息,强调与问题相关性高的段落内容。下一步,使用卷积神经网络提取段落中重要的特征,生成段落的特征向量。最后,二分类版选择器使用段落特征向量预测段落包含答案的概率,选择概率较高的段落;多分类版选择器进一步计算段落与问题的语义相似度,选择相似度较高的段落。2、对于文本阅读器任务,实现了基于注意力机制的基础神经网络文本阅读器和融入匹配特征的R-net模型,并验证了这些模型在中文数据集的有效性。在Dureader中文阅读理解数据集的百度知道和百度搜索子数据集完成实验,相比于基线方法,模型取得的效果在Bleu-4和Rouge-L评估分数均有明显提升。