问答系统允许用户以自然语言的方式进行提问,并且能够快速给出精确的答案,具有高实时性、高准确性以及交互友好性等特点,引发了学术界和企业界的广泛关注,近年来在各应用领域中得到快速发展。目前问答系统主要是基于检索的方式,该类问答系统可以保证返回的答案语法正确、流畅度高。然而检索问答系统极度依赖于已有的数据集,只能与已存在数据集内的答案进行匹配,返回的答案固定,不具有多样性,并且存在匹配速度慢,实时性不足的问题。而生成式问答系统通过对问句理解,可以自动采样生成具有个性化、多样性的答案,可以很好的解决检索问答系统实时性、多样性不足的问题。近年来,事实型问答系统中的答案生成任务取得了比较好的效果,该类研究通常采用基于注意力机制的序列到序列学习框架作为基础模型,构建指针网络生成模型,其源输入或者额外的知识源能够提供足够的信息进行拷贝指导生成简短的答案。然而非事实型医疗领域问答任务的问句往往是病人根据自身情况以较口语化形式组织而成,当源输入携带信息不足时,不仅编码器获取的编码信息不足,而且指针机制无法拷贝足够有效的信息,模型生成效果并不好。针对上述问题,本文研究基于生成式的非事实型医疗问答系统的构建,目标是针对病人所提出的非事实型问句进行病情分析,给出诊断治疗建议,并以自然语言的形式返回给用户。主要工作内容如下:首先,为了解决深度学习模型在非事实型医疗问句分类任务训练存在的过拟合问题,本文提出了基于字级别的文本卷积自编码网络医疗问句分类模型。该模型在文本卷积神经网络的基础上引入了自编码结构,分别在字级别和词级别语义单元上进行了实验,实验证明基于字级别的实验准确率上取得了更好的效果,并且添加自编码结构可以有效的过滤噪音,降低过拟合现象。另外,本文自定义问句分类体系,并将类别与问句和答案中的症状、疾病名、诊疗方案等进行绑定,分类模型抽取到的类别信息可以更好的指导生成模型选择类别相关的词汇进行生成。其次,为了解决在推理阶段答案生成任务单一源输入问句携带信息不足,传统的编解码模型编码不足,指针生成网络无法拷贝足够有效的信息,而导致生成答案流畅性和相关性指标不好的情况,本文提出了结合图卷积自编码推理和指针拷贝的答案生成模型。该模型考虑到训练和推理阶段的曝光偏置问题,使用图卷积自编码模型对全局答案的关键信息进行推理,在指针网络的基础上同时融合问句和答案关键信息,模型在答案生成时选择更关键的信息指导模型生成。实验证明本文提出改进指针生成模型,可以有效的提高生成答案的相关性和流畅性。本文构建的医疗问答系统能够从以用户-医生问答对表示的丰富的问诊历史数据中学习到医疗知识经验,针对用户对自身病症的描述,提取关键特征,并分析得到用户的病情,再给出进一步的诊疗建议,生成多样性的候选答案,推送给医生,并由医生最终确定最优的答案返回给用户。此外,模型可以自动生成医疗回答模板,相比于事实型问答系统,得到的生成答案携带信息更加丰富,句子更长,更具有人性化。