摘要: 问题生成是自然语言处理领域内一个新兴的研究方向，该研究旨在让机器能阅读和理解人类语言，并且自动生成高质量的问题，以帮助人们完善对信息的需求。在实际生活中，问题生成技术的应用场景十分广泛，例如在智能客服、智慧医疗、知识问答游戏等场景... 展开 问题生成是自然语言处理领域内一个新兴的研究方向，该研究旨在让机器能阅读和理解人类语言，并且自动生成高质量的问题，以帮助人们完善对信息的需求。在实际生活中，问题生成技术的应用场景十分广泛，例如在智能客服、智慧医疗、知识问答游戏等场景上，问题生成技术都有着巨大的应用前景，能帮助人们从繁杂重复的工作中解放出来，提高人们的生活质量和工作效率。 深度学习作为近些年比较热门的技术，其在图像、视频和自然语言处理等领域取得了巨大的成功。然而在问题生成这一任务上，深度学习的应用仍然较少。本文尝试将深度学习技术应用到问题生成任务上，并展开了探索性研究，主要提出了两种基于深度学习的问题生成框架，并在此基础上实现了一个问题生成系统，其详细工作内容如下： (1)设计了基于编码器-解码器的端到端问题生成框架(QuestionGenerationbasedencoder-decodermodel，简称EDM框架)。传统的基于规则的问题生成方法严重依赖于人工选取的特征集，方法通用性不足。针对上述情况，本文提出了基于编码器-解码器的端到端的问题生成框架，该框架包含基于注意力机制的编码器-解码器结构、Pointer-GeneratorNetwork等，并针对问题生成这一任务的特殊性，对网络结构进行了一系列的设计，使其能很好地应用到问题生成任务上。 (2)提出了一种改进的问题生成框架。EDM框架的输入为文章，是仅由文章来生成问题，并未充分有效的利用答案信息，可能会导致生成的问题质量较低。因此在EDM框架结构基础上，增加了能单独处理答案信息的部分，明确地将答案作为一个单独部分输入给模型，并对网络结构做了一系列的改进。从实验结果来看，改进的问题生成框架相比EDM框架的效果更好。因为改进的问题生成框架的输入为文章和答案，故称该改进的框架为带答案的问题生成框架(AnsweraimedQuestionGenerationmodel，简称AAM框架)。 (3)依托AAM框架开发了问题生成系统。该系统包括前端数据输入与可视化模块和后台数据处理与解码模块。 收起