我国是农业大国,农业信息化在我国农业现代化发展过程中扮演着重要角色。近年来,互联网信息资源的爆炸式增长,使农业生产者无法准确高效地获取目标信息。为解决以上问题,帮助农业领域葡萄产业生产者快速准确获取需求信息,本研究利用自然语言处理领域的自动问答对葡萄相关知识展开研究,利用深度学习模型学习句子丰富的语义信息,并对句子进行特征表示,从问句分类、相似问句匹配和答案选择三方面展开研究。因目前我国农业技术服务尚不完善,本研究对提高葡萄产量和质量有着重要意义。本文主要完成工作如下:(1)基于BERT嵌入Softmax模型的问句分类算法研究。针对收集到的葡萄知识问句具有篇幅较短,特征稀疏的短文本特点,而传统的文本分类算法主要应用于特征丰富的长文本上,若用于短文本则准确率较低。本研究利用具有强大表义能力的BERT预训练语言模型对预处理后的葡萄知识问句进行句子级别的向量表示,并将获得的问句特征向量输入到Softmax回归模型,根据问句内容将句子分为四类。通过实验调节模型参数,并与传统的Text CNN、Fast Text分类模型进行对比,本文分类算法在F1值上分别提高了4.22%、4.97%,达到了71.39%,分类效果较好。(2)阈值检验加权融合的问句相似度计算方法研究。针对传统的文本相似度计算方法考虑因素单一,准确率较低的问题,首先使用三种计算方法从不同的角度计算相似度,基于变形的Damerau-Levenshtein距离从共现词角度计算相似度,基于How Net知识库考虑词频对相似度的影响从词项义原角度,分别计算两问句关键词相似度和全部词相似度,并取最大值,基于Word2vec-LSTM模型从深度学习角度对问句语义学习并计算相似度;然后对三种相似度值利用检验阈值进行检验;最后,通过加权因子对两种及以上相似度值满足阈值的对应相似度值进行融合,并对计算结果排序获得相似问句。实验表明,本文提出的MCWFS计算方法的F1值为73.67%,比传统的Jaccard算法、Word Net方法及Word2vec方法在召回率上分别提高了9.25%、7.34%、4.57%。(3)基于Atten-Bi LSTM-2D的答案选择模型构建。针对葡萄问句答案篇幅较长,信息量丰富的特点,利用双向LSTM模型学习上下文信息,并加入注意力机制,使模型更多地关注文本中有用信息,在此基础上,加入二维神经网络,层次化地抽取文本对之间的匹配特征,从而计算问题和答案的相关度并将结果排序。实验表明,本文方法相比单向LSTM、双向LSTM、Atten-Bi LSTM在MRR上分别提高了16.6%、12.37%、8.08%。在TOP-N取20时,NDCG值取得最大值58.63%。