机器阅读理解旨在通过理解无结构的文本来回答相关的问题,是自然语言领域中最具挑战性的任务之一。得益于深度学习技术的发展和大型数据集的涌现,近些年来机器阅读理解领域发展迅猛,在很多数据集上达到甚至超过人类的水平。这些传统的机器阅读理解任务往往是“单跳”的,即大多数情况下仅仅根据一篇文章或一句话就能得到问题的答案。然而在现实情况中,很多时候我们需要在多个文档之间进行推理方可获得问题的答案。这种“多跳”阅读理解对模型的语义推理和归纳能力提出了更大的挑战。本文以多跳阅读理解任务为研究对象,采用WIKIHOP数据集,研究了不同的模型架构以更好对原始文本进行归纳和推理。本文研究的内容主要如下:(1)研究多跳阅读理解数据集的构建方法。参照WIKIHOP数据集,我们构建数据收集和处理的流水线,并对收集的数据集进行分析,最后在数据集上进行基准实验;(2)研究基于图卷积网络的多跳阅读理解模型。首先构建基于R-GCN的基础模型GCN_Base,并在此基础上进行改进,优化实体图,加入双层注意力机制和双评分机制,得到改进模型GCN_Enhance。实验表明GCN_Base在基准模型的基础上有15%的准确率提升,GCN_Enhance在GCN_Base的基础上将准确率进一步提升3.3%;(3)研究上下文增强的多跳阅读理解模型。我们提出上下文增强模型CEG克服图模型的缺陷,分别使用软提取和硬提取来进行上下文增强。软提取是在实体编码中嵌入上下文表示,主要通过引入预训练语言模型BERT来实现。硬提取是直接提取实体周围的上下文内容,并使用记忆网络在图推理阶段加以利用。CEG相对于GCN_Enhance的准确率提升为5.7%,进一步的消融性实验验证了模型各个模块的有效性。本文的研究围绕多跳阅读理解展开,探讨了图模型在多跳阅读理解任务中的使用,并进一步提出上下文增强方法来克服图模型的缺陷。实验表明我们提出的方法能有效提升模型的归纳和推理能力。