让计算机真正理解人类的语言,一直是自然语言处理领域的终极目标。机器阅读理解任务则正是评价计算机对于人类语言理解能力的一个重要方法。近年来,随着预训练语言模型技术的问世,计算机对于语言的理解能力获得了进一步提升,这也使得许多自然语言处理任务榜单上的成绩被大幅度的提高。原本难度较高的机器阅读理解任务也不例外,在部分数据集中,一些模型的性能甚至超过了人工的准确率。这一现象引来了许多学者的思考,机器阅读理解这一难题是否已被攻克?答案显然是否定的。学者们经过研究发现,有些阅读理解数据集的难度较低,因此模型仅通过浅层次的词汇相似度和答案类型这些信息,就可以从原文中筛选出大多数问题的正确答案。本文主要讨论更高难度的对抗性阅读理解任务,即通过在文章中增加具有误导性的干扰句,生成具有对抗性的阅读理解数据集,以此来更加全面地评价阅读理解模型对于文本的理解程度。另外,本文还提出了基于结点匹配的阅读理解模型来应对这种高难度的任务。本文的主要研究内容有以下三点:(1)基于Transformer的阅读理解对抗数据生成。针对现有阅读理解数据集难度低、答案容易找到的特点,提出了基于Transformer结构的干扰句生成模型。将改写的问句和生成的虚假答案作为输入,使用端到端结构生成干扰句,将其加入到文章中,最终生成阅读理解对抗数据集。相比与现有的研究工作,本文采用训练模型自动生成干扰数据的方法,避免了人工生成对抗数据的麻烦。(2)基于语义角色标注的文章-问题对表示结构。原始的文本结构较为扁平,其中语义信息隐藏较深,现有模型难以将其充分地挖掘出来。因此,本文通过语义角色标注技术,获得语句中的谓词-论元结构,并以此为基础建图,将句中各成分的语义关系更加直观地展现出来。另外,本文还通过指代消解技术,将文章中存在共指关系的实体表述进行融合,强化了上下文间的语义联系。(3)融入语义信息的阅读理解模型。在为文章-问题对分别构建了图形表示结构后,本文为问题中的结点寻找相应的文章结点进行匹配,然后将问题中wh-word所在结点对应的文章结点作为答案结点,从中提取答案。通过和其他主流阅读理解模型的对比实验,验证了本文提出的基于结点匹配的阅读理解模型(SRLG-QA)在面对高难度的对抗数据集时,拥有良好的表现。