机器往往比人脑能够存储更多的信息和知识,但人们却不能像人与人之间交流一样很方便地从机器中获取想要的知识和信息,这是由于机器不能很好地准确理解人类的语言,进而针对人类的提问进行合理而准确的回答,因此问答系统一直是自然语言处理和人工智能领域研究的热点。一个知识库充足且能理解人类语言并作出合理回应的问答系统是人们在追求认知智能中的重要目标。在自然语言处理领域所研究的问答系统中,系统的知识来源一般有两种,一是非结构化的文本信息,二是通常以三元组形式表达的结构化知识库。前者可以看作是阅读理解任务,系统需要对大量的文本进行处理,然后根据问题从文本中抽取答案。由于人类语言表达具有多样性,同一意思具有多种表达方式,因此海量的文本知识是非结构化的。后者表达知识的形式相对单一,高度结构化,便于问答系统检索答案甚至进行组合推理,然而其构建往往需要耗费较大的人力,因而所覆盖的知识面往往不及非结构化文本。本课题利用多种注意力机制,在问答系统中对非结构化文本和结构化知识库进行知识融合,综合利用非结构化文本知识覆盖面较广的优点和结构化知识库便于答案检索和推理的优点。本课题的主要研究工作如下:(1)本文分析了两种异构知识源的特点。为了能够综合非结构化文本和结构化知识库的优点,我们使用记忆网络中所蕴含的注意力机制对这两种知识源同时进行检索。实验表明其回答的准确率比仅使用单一知识源的模型准确率高。另外本文指出了原有记忆网络中记忆状态向量的更新不能很好地取舍信息的缺点,并通过门控函数来改进记忆状态向量中信息更新的方式,从而进一步提高了记忆网络模型综合利用两种异构知识源回答问题的准确率。(2)针对记忆网络对仅依靠记忆状态向量进行知识融合,导致其编码效果欠佳的问题,本文提出了注意力编码融合模型,使用改进的图注意力神经网络和自注意力编码,使得结构化知识库、问题和非结构化文本在编码过程中能够相互地进行信息的融合。最后通过Web QSP数据集上的实验表明,在编码过程中使用注意力机制有助于异构知识源的知识融合和提高回答的准确率。