会话式交互,特别是多轮次会话交互,已经成为当前人机交互领域的热点。为了进一步提升其产品的用户体验,全球各大公司纷纷推出了各自的会话应用。机器阅读理解是实现会话应用的核心技术,随着深度学习技术的发展,运用深度学习技术来提高多轮机器阅读理解模型的性能是当前会话应用研究的热点之一。同时,深度学习技术的应用对计算性能和数据存储空间的要求也越来越大,相应的深度学习模型的压缩也是需要解决的问题。针对上述问题,本文研究了提升多轮机器阅读理解(MRC Machine Reading Comprehension)模型性能和提升模型推理速度的方法。将基于Bert的机器阅读理解模型作为基准模型,基准模型是以预训练语言模型Bert作为主要模型结构,在多轮机器阅读理解数据集CoQA上进行Fine-turning,使用精确匹配准确率(EM)和模糊匹配准确率(F1)指标评价模型。为提升基准模型在数据集上的性能,提出了机器阅读理解多领域多任务学习方法(MDMTL,Multi-Domain Multi-Task Learning),通过在微调阶段引入多领域数据来进行领域数据增强,通过使用多任务学习方法,引入额外的事实依据,利用隐含在相关任务中的信息提高模型的泛化能力和学习能力;此外,对于多轮机器阅读理解来讲,其研究难点在于如何建立历史会话间的联系,为了进一步提升模型多轮机器阅读理解能力,更好的建立历史会话间的联系,本文在基准模型的基础上,针对微调阶段提出了新的上下文建模方法,将当前问题与历史问题建立联系,去除冗余信息,将更有用的信息用于模型的预测,从而进一步提高了模型的EM和F1;最后,由于上述方法引入额外参数导致模型参数量较大,为了降低模型的参数量,本文还提出了基于知识蒸馏的模型压缩方法,以优化模型大小和提升推理速度。本文设计和实现了基于机器阅读理解的会话应用,通过综合运用前述关键技术,实现了对多轮机器阅读理解任务的支持。通过对该应用的测试证明了各种关键技术和应用的有效性。