在人工智能时代,以关键词搜索的方式获取信息存在着很多的局限性,已经不能满足互联网用户获取信息的需求。例如,用户搜索不到真正需要的信息,返回的无关信息太多,或者用户需要的信息未排列在前几位结果中。能够接受用户以自然语言的形式提问,并能从大量的数据中查找或推断出用户问题答案的问答系统就成为了当前学者们的研究热点。问答系统按照问题的领域可以分为开放领域和限定领域的问答系统,根据答案的生成方式可以分为检索式和生成式的问答系统。本团队与西安交通大学口腔医院修复科合作设计一套基于神经网络技术的智能问答系统,最终本文设计的问答系统属于基于检索式的兼顾开放领域和限定领域的问答系统,系统中涉及的限定领域就是口腔修复领域。也就是说本文设计的问答系统既能够回答开放领域的问题,类似于聊天机器人,又能够回答限定领域(口腔修复)的问题,同时还能回答一些患者常问问题(就医流程,就医环境等)。本文的主要的研究内容包括语义相似度计算方法,问题分类方法,口腔修复领域问题语义分析等,主要的贡献如下:1.对于语义相似度计算,本文设计了两种方法,第一种是使用Siamese网络架构去做语义相似度计算。对于Siamese网络架构中的网络A和网络B,我们使用的是Bi-LSTM与Attention机制相结合的网络结构,然后使用曼哈顿距离计算两个文本向量之间的距离。第二种是基于当下比较流行的预训练方法去做语义相似度计算。本文选择刷新11项自然语言处理任务记录的预训练模型BERT来完成这个任务。针对本文的数据集,本文对这两种方法做了详细的实验对比,选择了一个性能较优的方法。2.对于问题分类,本文设计了三种方法。第一种是采用带有高斯核函数的非线性支持向量机对问题进行分类,以数据的TF-IDF值作为特征。第二种是采用Bi-LSTM与Attention机制相结合的神经网络分类模型对问题进行分类。第三种是基于预训练方法去完成问题分类任务,本文选择的预训练模型依然是BERT。针对本文的数据集,本文对三种方法做了详细的实验对比,最终选择了一个各项指标都较优的方法。3.对于口腔修复领域问题语义分析,本文对问题进行分词、词性标注、依存句法分析等步骤。然后本文经过对大量的用户问题进行实验,本文制定了一套依存关系过滤规则,在系统的实际运行中取得了非常好的效果。本文在最后对所设计的问答系统的各个模块以及整个系统做了详细的测试,测试结果显示本文所设计的问答系统完全达到了上线运行的标准。本文所设计的问答系统已经在西安交通大学口腔医院修复科公众号中投入使用,并且得到了用户的一致好评。