面向文本的问题生成是从给定的句子或段落中生成相关问题。随着自然语言生成技术的不断发展,问题生成已经成为人工智能领域的研究热点。该任务要求系统不仅对输入文本有充分理解,还需要对相关上下文具备一定推理能力。目前,主要采用序列到序列的神经网络模型针对包含答案的句子生成问题。然而这些方法存在的主要问题:（1）生成的疑问词与答案类型不匹配;（2）问题与答案的相关性不强;（3）问题表述不清晰等。本文针对上述问题展开研究,具体如下:（1）针对生成的疑问词与答案类型不匹配以及问题与答案的相关性不强的问题,本文采用基于答案及其上下文信息的问题生成模型来解决。该模型的主要思想是:首先根据答案与上下文信息的关系确定与答案类型匹配的疑问词;然后利用答案及其上下文信息确定问题相关词,使问题尽可能使用原句中的词;最后结合原句作为输入来生成问题。从相关实验结果显示:该模型使得BLEU₄值提高了3%-5%,ROUGE_L值提高了3%-6%。（2）针对问题表述不清晰的问题,本文采用融合多句信息及强化学习的问题生成模型来解决。该模型思想是:首先,通过Transformer模型分别编码句子与答案的信息;其次,通过协同注意力机制获取句子与答案之间的匹配信息;最后基于强化学习的思想,使用策略梯度对模型进行微调,以最大化衡量问题质量的几个奖励。从相关测试结果显示:该模型的BLEU₄和ROUGE_L相比基线系统分别提高了2%-5%、3%-5%。（3）实现了一个问题生成原型系统。该系统主要包括提问对象的确定和问题的生成两大核心模块,用于实现基于给定文本生成一系列相关问题的功能。本文工作在提升问题生成系统的性能上均取得了一定的成效,但未来还需从句间关系、问题相关词提取等方面做进一步研究。