自动回复是指对于用户提出的问题系统能够自动的为用户提供一个答案,在自动回复任务中,大多数问题和答案之间词汇的重合率和相似度并不高,很难仅使用单词匹配和特征提取的方法来解决。近年深度学习已经被广泛的应用在了自然语言处理领域并取得了很好的效果,利用深度学习来处理答案选择任务,不是单纯的提取单词或是单词组合特征,而是从语义层面上提取句子的信息,得到问题和答案的相关度。在本文中,首先根据提问者所提问题得到出相似问题集,然后对所有候选答案进行排序得到最优答案推荐给用户。本文利用词向量技术来计算问句的相似度并利用深度学习模型构建了候选答案选择模型,改变了传统的根据简单的单词的匹配和特征提取来进行相似问题计算以及答案提取的方法,具有更好的效果。本文主要从以下两个方面进行:(1)基于词向量的互动问题相似度计算方法研究。为了增强句子中单词的语义表示,将目前流行的词向量模型引入到问题相似度计算中,使用GloVe模型进行词向量模型的训练,并结合余弦相似度设计了问句之间的相似度计算方法来计算问句之间相似度,获取相似问题集。最后通过对比实验证明了本文所设计的问句相似度计算方法在准确率和召回率方面都优于传统的相似度计算方法。(2)构建基于LSTM的答案选择模型。因为长短期记忆网络LSTM善于处理序列信息并且可以存储历史信息,所以本文在双向LSTM模型的基础上进行答案选择模型的构建,根据问句和答案的对齐特征引入Attention机制,结合课程互动交流平台的特点在答案选择模型中融入了候选答案的非文本特征,最后通过实验证明了本文所设计的答案选择模型的合理性和有效性。基于以上方法进行了课程交流平台的系统设计与实现,从实际应用的角度出发,通过需求分析、系统设计、系统实现等过程,采用本文设计的问题相似度计算方法以及答案选择方法实现课程互动交流问题的自动回复。