自动问答是自然语言处理领域中的一个研究热点,答案选择是自动问答中的一个重要组成部分。答案选择任务需解决两个关键问题:一是如何对问句和答案进行语义表示,另一个是如何实现问句和答案间的语义匹配。近年来深度学习在自然语言处理领域已取得了较好的成绩,利用深度学习技术能学习到丰富的句子语义信息,在答案选择任务中表现出了较大的优势。本课题基于深度学习技术,从语义表示和语义匹配两个角度对答案选择任务展开研究,并取得了一系列成果,最后实现了模型运行的可视化工具。本课题的主要工作包括以下几个方面:1.采用深度学习技术对基于句子对语义表示的答案选择模型进行研究。分别实现了基于CNN和基于BiLSTM的句子对语义表示模型,并通过实验对两个模型进行了分析和对比,得到了在答案选择任务中CNN模型和BiLSTM模型的最优网络结构,同时实验结果表明,本课题中基于CNN的句子对语义表示模型效果要优于基于BiLSTM的句子对语义表示模型。2.采用注意力机制对基于句子对语义表示的答案选择模型进行研究。本文从对齐特征的学习进行展开,提出采用残差连接的方式学习对齐特征,并通过实验表明了本文提出的模型在答案选择任务中表现出了良好的效果。3.对基于句子匹配的答案选择模型进行研究。本文分别从匹配矩阵的构建和匹配矩阵的特征提取两方面进行研究,提出了一种深层匹配模型,并从不同的语义层面上构建语义匹配矩阵,利用DenseNet网络对匹配矩阵进行特征提取,最后通过实验表明了该模型在答案选择任务中的有效性。4.实现了一个客户端工具。该工具支持对模型的训练,验证和测试过程的可视化。