近年来,生物医学领域的大量研究成果推动着该领域飞速发展,与此同时,生物医学领域文献的数量也以惊人的速度增长。作为展示专家科研成果的重要途径,文献中蕴藏着许多有价值的生物医学知识。帮助科研人员从繁杂的非结构化文本中有效获取需要的信息,对于构建生物医学FAQ库,辅助科研人员的后续研究工作具有广泛的应用价值。传统解决问答任务的检索匹配方式存在无法捕获段落的上下文语义信息、领域适应性欠佳等缺点,不适用于科研人员准确、高效地获取信息。阅读理解技术为问答任务提供关键技术支持,通过阅读理解可以提升问答的准确性,但是对于特定领域的阅读理解研究仍需要继续探索。本文基于Bio BERT和混合注意力机制,提出了生物医学领域非结构化文本阅读理解模型Bio BERT-Mix Att来提升回答生物医学领域问题的能力,模型采用“编码层-交互层-输出层”这种分层的网络结构,主要解决Bio ASQ数据集的factoid和yes/no两种任务,具体研究内容如下:首先,在模型编码层中引入预训练语言模型Bio BERT实现生物医学领域的适应性。利用在大规模生物语料库上预训练的特定领域语言表示模型Bio BERT生成包含上下文语义信息的动态词向量,引入Bio BERT后的模型不但能获得先验知识,更在缩短训练周期的同时降低计算量。其次,在模型交互层设计了多层次混合注意力机制,将问题与文章段落编码深度融合。Bio BERT模型的应用方法较为简单,无法将问题与文章段落的关联显式建模,因此本文基于注意力机制从模型角度进行了优化,在交互层设计了混合注意力机制,考虑了三种不同层次注意力,即双向注意力、Match-LSTM及融合注意力,更好地建立文章段落与问题之间语义信息联系。最后,模型输出层在处理factoid任务时利用LSTM层考虑答案起止位置的相关性。针对Bio BERT基线模型在处理factoid任务时解码层输出的答案起止边界相互独立的问题,利用LSTM层在答案起止边界之间建立联系,引入答案起始和结束位置的相关性。除此之外,处理factoid任务时损失函数引入标签平滑策略。由于生物医学领域数据集中专业实体名称较多,答案文本在文章段落中可能存在多答案的情况,因此引入标签平滑策略,对损失函数做出修正,通过赋予文章段落中除答案标签外的单词一定概率,提高模型的学习能力,同时避免过拟合。为验证本文方法的有效性,在生物医学领域数据集Bio ASQ的factoid任务及yes/no任务上分别进行了实验。结果表明本文提出模型在处理factoid任务时效果提升明显,在处理yes/no任务时略有提升。针对factoid任务,本文所提出的在预测答案结束位置时引入答案起始位置信息策略及在损失函数中加入的标签平滑策略均对模型效果提升具有一定作用。