人工智能技术的发展促进了自然语言处理的各个领域的进展。机器阅读理解是自然语言处理领域中的一个较为新颖的研究路线。机器阅读理解的目标是使机器可以理解文本,通过用户提出的问题从文档中检索以得到答案以回答问题。机器阅读理解对自然语言处理的各种技术均有较高的要求。目前大部分的机器阅读理解模型属于抽取式阅读理解模型,这类模型从文中抽取文本片段对问题进行回答。这类阅读理解模型对问答的流畅度与上下文的关注较为缺乏,并且忽视了情感状态对于答案生成的影响。情感信息是人类日常交流中的重要信息,对于语言表述、思想表达有着不可取代的重要作用。因此,在机器阅读理解中引入情感信息是较为重要的。另外,在参考文档过长的情况下,情感信息较为稀疏,情感抽取模型有时无法提取到足够的情感信息。本文针对这两个问题,分别提出了融合情感嵌入的机器阅读理解方法与基于注意力的多层次情感融合机器阅读理解方法。本文的主要研究内容如下:1)提出融合情感嵌入的机器阅读理解方法。该方法首先对阅读理解数据集进行机器阅读理解与情感抽取,以从阅读理解数据集中抽取所需的答案信息与情感信息。接着将情感信息与问题和答案同时输入序列到序列生成模型中,经过编码器编码后,输入解码器中。解码器将答案信息与情感信息进行融合,最终进行解码并得到输出序列。将输出序列作为阅读理解文档的新的答案并进行评测。模型通过联合词预测损失与情感预测损失来对模型进行学习。2)提出基于注意力的多层次情感融合方法。该方法首先对阅读理解文档与问题进行阅读理解,得到问题的答案片段。然后使用情感分类模型与预训练编码器对文档的每句话进行预训练编码与情感抽取,将预训练编码输入注意力机制模块,在解码器中对每句话的情感信息进行加权以得到加权后的多层次情感信息。最终将答案片段、问题与多层次情感信息共同输入解码器中,经过解码器的解码与输出序列预测,最终得到融合了多层次情感的答案序列。基于注意力机制得到的情感信息相比于原始情感信息,融合的情感信息更加丰富,并且更加具有表达能力。3)结合了改进点实现了融合情感嵌入的机器阅读理解方法模型并进行了实验,采用Python、Num Py与Py Torch等机器学习模块,分别对融合情感嵌入的机器阅读理解方法、基于注意力的多层次情感融合方法进行了实验并对实验结果进行了评估。