随着自然语言处理的发展,开放领域的问答成为越来越重要的研讨课题,它基于用户的自然语言提问,从大批候选文本中精准地找到答案,而面向开放领域问答系统的机器阅读理解技术成为其中的一个热门研究方向。机器能够更准确的理解人类文本语言,从而去构建开放领域的问答系统、自动化阅读理解评价系统以及电子化答疑系统等。这对于学习分析领域的研究,辅助教师进行答疑、阅卷、学习行为干预,帮助学生进行成绩预测和更高效的学习有着重要的意义。针对目前大多数的机器阅读理解模型的训练和预测速度慢,且模型预测准确性不高等问题,如何构建更快且效果更准确的模型,尤其是基于深度学习的机器阅读理解模型,是当前研究的重点任务。因此,本文采用预训练语言模型、深度神经网络和多层注意力机制,提出了一种基于BERT扩展的网络结构QA-Reader,并设计了一个基于自由文本的中文开放领域阅读理解问答系统。具体地,本文所做的主要研究工作如下。第一,构建机器阅读理解模型。本文设计实现了一个片段抽取型机器阅读理解模型QA-Reader。首先使用RoBERTa-wwm-ext获取文本和问题的词嵌入表示;然后使用深度可分离卷积和多头自注意力机制进行编码;再计算文本和问题的双向注意力和文本的自注意力,拼接得到最终的语义表征;最后预测答案,针对不可回答的问题,模型还计算了不可回答的概率。最后在两个中文片段抽取型机器阅读理解数据集上进行了测试,经过多种实验方案的对比,结果表明本文模型有更高的准确性和更快的训练速度。第二,设计中文开放领域问答系统。本文将机器阅读理解模型应用到开放领域问答系统中,和以往系统不同的是,本系统使用中文维基百科作为唯一的答案来源,系统可以完成阅读理解和开放QA两个任务。阅读理解任务实现基本的基于QA-Reader的阅读理解;开放QA任务实现基于自由文本的开放领域的问答。在该系统中,阅读理解模型作为一个支撑性的关键功能模块,可以较好地完成基本的阅读理解和开放问答任务。