随着社会的发展,互联网时代到来,智能交互式系统已经在日常生活工作领域中得到了广泛应用,如智能客服和智能音箱等。交互式问答是指在人机交互的场景下实现用户需求信息的有效反馈,其中关键问题在于如何学习和表示上文信息以弥补当前话语的语义缺失。近年来,深度学习在各大NLP任务上已经证实了其强大的特征提取和表示能力,鉴于此,本文采取深度学习的方式对交互式场景下的上下文信息进行建模,研究工作概括如下:现有意图识别模型一般是基于上下文无关的假设,没有考虑到上下文之间的依赖性,而且已有的基于记忆网络不能实现对上文关键信息的获取,针对这一问题,提出了基于注意力记忆网络的意图识别方法,实验结果表明本文模型能够有效捕获上文关键信息,比基线模型准确率高出1.3%。交互式场景下的话语重写在一定程度上可以解决指代和省略问题,然而现有的上下文重写网络模型存在解码端重复的问题,本文针对这一问题,使用Seq2Seq+Patt模型来解决重复解码的问题,Bleu对比基线模型提高了 0.5%。交互式问答答案匹配是交互式问答系统中的关键任务之一,由于在人机交互式场景下的交互对话中存在省略指代现象,给答案选择增加了难度。鉴于此,本文提出了面向交互式场景的答案匹配方法,通过‘门控机制’引入上文信息来弥补交互式场景下问句所缺失的语义信息,根据问题通过注意力机制构造答案的特征表示去学习文本细粒度的语义匹配关系。首先,从微博网站上收集整理了商品评论语料,并在此基础上建立一个交互式问答语料库,提出两种基于门控和注意力机制的神经网络答案匹配方法,实验结果表明,本文提出的答案匹配方法能有效捕获上文信息,比基线模型准确率高出2.8%。最后设计并实现了交互式问答的意图识别、上下文重写和答案匹配系统,对输入的上文信息及当前用户话语进行意图识别,对交互式场景下的会话进行重写以及对当前问句和候选答案进行匹配。