问答系统作为近几年人工智能热潮中的热门话题,代表着自然语言处理领域中最先进的技术之一,与传统搜索引擎不同,问答方式允许用户以自然语言表达任何复杂的信息需求。问答系统面临的主要挑战是问句的不规范性,因此问句理解作为自然语言问答系统中的关键步骤,对问答系统的成功至关重要。本文提出一种基于深度学习的问句理解模型,并通过构建面向碳交易领域的问答系统验证问句理解模型的实用性,具体工作与成果如下:(1)问句理解常涉及用户意图识别以及约束条件提取,基于深度学习提出一种BLSTM-CNN-CRF学习框架,为意图识别和约束条件提取构建联合模型。其中,双向长短期记忆网络(BLSTM)对全句的单词标签进行标注,卷积神经网络(CNN)用以提取全句的语义特征,条件随机场(CRF)通过解码单词标签与语义特征,获得全句的最佳序列标签。在航空旅行信息系统(ATIS)数据集上的实验表明,联合模型在不依赖于任何人工特征的情况下获得较高性能。(2)常见问题集(FAQ)问答系统的构建依赖于问句相似度计算,因此提出基于问句理解的相似度计算方法,结合词嵌入(Word Embedding)模型分别计算问句意图相似度和约束条件相似度,综合考虑两者获得最终的问句相似度。实验结果表明,基于问句理解的相似度计算方法可以有效计算问句间的相似度。(3)通过问句理解及语义相似度的计算实现面向碳交易领域的FAQ问答系统,实验结果表明,系统可以对所提问题进行回答,并推荐相似问题。