机器阅读理解是自然语言处理领域的基础研究方向。定一篇文章,该任务要求系统结合问题和选项的语义,自动给出问题的答案。随着深度学习技术的发展以及大规模阅读理解数据集的公布,基于深度学习的阅读理解模型逐渐成为学术研究的主流。深度阅读理解模型的实现一般采用“编码-交互-预测”框架,在该框架下,本课题的主要研究内容如下。首先,针对阅读理解中的语义匹配和句子推理问题,本课题提出了多粒度联合推理模型。通过引入多粒度序列匹配模块来更好地建模文章、问题和选项三者之间的语义关系,利用不同的语义空间下的文本信息进行更高效的序列匹配,从而更准确地在原文中进行答案线索的定位。此外,在信息聚合层提出一种联合推理模块进行句子关系推理,分别利用一维卷积神经网络和自注意力循环神经网络进行相关句子关系的建模。在多选题RACE数据集的实验表明该方法达到了当前较优的单模型水平。之后,针对如何对答案线索信息进行整合的问题,提出了基于选项注意力的胶囊网络。本课题将信息聚合看做一个路由问题,抛弃了传统的池化聚合方式,通过胶囊网络对答案线索片段进行迭代式聚合,同时动态更新匹配层输出的表示向量。同时,考虑到传统动态路由算法在迭代时缺乏对选项语义的关注,设计了基于选项注意力的动态路由算法,在低层胶囊信息的聚合过程中引入和选项之间的语义交互。实验表明基于胶囊网络的信息聚合可以带来较大的性能提升,并且在对推理能力要求较高的问题上也取得了较好的结果。