目前答案选择是自然语言处理领域的研究热点之一,在自动问答以及搜索应用中扮演着非常重要的角色。现有的答案选择方法更多的是关注短文本之间的匹配,缺乏对长文本应用场景的研究,难以解决长文本应用领域的“语义迁移”和“语义鸿沟”等问题。迁移学习和图神经网络近年来被广泛应用和研究,迁移学习具有融入外部知识的特性,图神经网络适用于长文本建模,因此本文针对长文本匹配难题,试图结合迁移学习和图神经网络来有效解决长文本答案选择问题,主要工作如下:1)答案选择方法的目的是对问题和答案进行正确匹配,其数据集主要表现为一个问题和多个候选答案的样例集合。现有的问题答案匹配任务中的答案选择数据集缺乏“短问题长答案”的特性,而在自动问答领域广泛出现长答案匹配的应用场景,因此本文为了更好地研究长文本下的答案选择方法,构建了500万数据量的“短问题长答案”的医疗领域答案选择数据集CMASD。2)研究迁移学习方法以丰富本文的长文本语义表征,本文提出基于BERT句向量的BertAttTL答案选择方法,并引入迁移学习方法通过孪生网络结构和注意力机制获得语义更加接近的句子级语义向量。通过多组对比实验和消融实验结果分析,其性能均超过了现有的答案选择方法。针对大批量答案搜索场景,其直接获得全部文本序列句向量的方式避免了预训练语言模型的多个文本对之间的耗时计算,且计算效率更高。3)研究图神经网络建模长文本答案,本文提出BertAttTL-GCN答案选择方法。通过构造细粒度数据网络图,使用GCN有效获得了长文本答案的细粒度语义信息,结合BERT句向量,BertAttTL-GCN在CMASD数据集上MRR值达到了77.26%。其在BERT句向量的句子级语义信息基础上,加入更细粒度的词级的语义信息,并通过问题和答案的语义交互,最终获得了更高的匹配精度。4)基于本文提出的答案选择方法和医疗数据集CMASD,设计并实现了医疗领域答案搜索系统,其具有更高的长文本答案搜索精度。