机器阅读理解是使机器阅读并理解给定文章和相关的问题，预测相关问题的答案。机器阅读理解是自然语言处理领域最重要的任务之一，被认为是人工智能发展过程中最具挑战性的方向之一。随着众多大规模高质量数据集的推出和各种深度神经网络的使用，机器阅读理解得到快速发展，进步显著，答案预测准确率远超人类。
　　近年来，预训练语言模型被创造性的提出。由于预训练语言模型的优秀表现，现有的绝大部分机器阅读理解模型，在编码阶段使用预训练语言模型编码给定的文章和文章相关的问题，在信息融合阶段使用多种注意力机制将文章信息跟其相关的问题信息进行交互处理,最后生成预测答案。但是，这种模型存在着两个方面的缺点。第一是预训练语言模型的单词表示缺乏背景知识和多粒度的特征信息，第二是在信息融合阶段仅仅使用注意力机制不能有效提取文章中的实体和相关问题中的实体之间的关系。因此，基于以上缺点，本文提出了基于增强BERT表示和R-GCN网络的机器阅读理解模型。该模型的贡献有2点：
　　1)基于增强BERT表示模型将每个单词对应的知识图谱信息和GloVe单词级别的向量表示整合到BERT表示中去，给模型的输入增加了背景知识和其他粒度的特征信息
　　2)R-GCN网络模型则采用关系图卷积神经网络(R-GCN)处理由全文实体构建的实体图，使模型能抽取文章中的实体和相关问题中的实体之间的关系信息，进一步提升模型的理解能力
　　本文模型主要在SQuAD1.1数据集上进行实验，分别在指标EM和F1上获得了85.9%和92.6%的准确率。实验结果表明，增加输入信息改进预训练语言模型的表示和使用实体图卷积神经网络抽取实体间的关系信息相结合有效的提升了机器理解文本的能力。