近年来,随着网络的飞速发展、5G的推广和手机设备的普及,各种各样的信息出现在人们面前。这虽然给人们的生活和工作带来了一定的便利,但海量的信息也产生了一些麻烦。许多同质且无用的信息让人们使用搜索引擎时很难找到想要的信息,需要仔细筛选有用的信息,对于特定领域更是如此。伴随着信息抽取、大数据等相关技术的发展,为自动问答系统的产生和优化提供了良好的基础条件。问答系统使用的方法大体可以分为两种:语义分析和信息检索。语义分析是通过一些自然语言处理手段,去学习理解一段文本将它表示成某种逻辑表达式,然后根据逻辑表达式查询知识库获取答案;信息检索是通过一些方法先从数据库搜索相关的候选答案,通过问句与候选答案的一些特征对比进行排序得到最终答案。本文依托某金融公司项目,对相关技术进行研究并构建了一个面向金融领域的问答系统。相比于通用领域,金融领域的现成数据集稀少,并且有些数据的时效性比较强,所以数据的收集整理是很重要的一部分。本金融问答系统基于谷歌研发的基于自注意力机制的BERT预训练模型和改进的孪生网络模型,旨在让模型能够更好的匹配问句与答案,提高模型的整体效果。本模型首先会对问句进行命名实体识别,进行纠错处理后在数据库里搜索相关答案作为候选答案,然后将问句和候选答案通过训练成向量的方式进行文本匹配打分,得分最高的即为最终答案。本模型如果遇到无法在数据库搜到的相关实体,会再通过一个联合抽取模型进行问答,如果都没有则会通过接入的百度闲聊接口进行闲聊。实验结果表示,跟其他的基准模型相比,本文所提出的模型取得了最好的成绩,体现了本模型的有效性。