在金融领域,企业公开发布的财务报告往往包含了企业基本信息,业务范围,经营情况,财务状况等重要的投资信息,投资者在进行投资活动时,往往会以此作为投资决策的依据,因此,财务报告这类金融文本是投资者在进行投资活动时做出投资决策的一个重要参考依据。如何通过机器学习的方法使得机器能够智能的阅读理解金融文本从而为投资者提供便利是一个重要的研究方向。金融领域的机器阅读理解任务是指给定一个问题,通过机器学习的方法在相关文本中抽取答案来实现对问题的回答。之前提出的机器阅读理解方法多使用序列型结构模型来获取文本之间的交互信息,无法充分获取文本之间的交互信息,并且对金融领域的多文档长文本数据的处理方法并不常见。本文提出的金融文本机器阅读理解模型,能够通过阅读相关的金融文本,较好的获取问题与文本之间的交互信息,回答用户提出的问题,减少用户甄别信息的时间,辅助投资者进行投资决策。本论文的主要贡献如下:·本文采用两阶段的方式构建模型,通过引入召回阶段,并且采用可并行化的自注意力机制,大大提高了模型的训练速度。本文提出的模型通过引入召回阶段,对多文档长文本数据进行动态切分,并且进行粗召回,减少进入后续答案抽取模块的数据。并且我们摒弃了RNN,CNN等传统网络结构,采用可并行化的注意力机制,大大减少了模型的训练和推理时间。·本文通过叠加多层自注意力层获取充分的文本交互信息,并且通过设计辅助任务提高模型的阅读理解能力。通过多层注意力机制的叠加获得文本和问题的深层语义交互信息,以及引入合适的辅助任务,使得模型能够学到与阅读理解任务相关的信息。·本文构建了20万条数据的金融文本的机器阅读理解数据集。本文构建的金融文本机器阅读理解数据集,包含20万条数据,每条数据包括问题,回答,相关文本三个字段。该数据集可用于后续相关自然语言处理任务的研究。综上所述,我们针对金融文本的机器阅读理解进行了研究。构建了多阶段,基于自注意力机制的多任务学习的模型,并且在实验上证明了我们模型的有效性。我们的模型针对金融领域多文档长文本的机器阅读理解任务提供了新思路。