随着互联网的飞速发展,社会逐渐进入一个信息爆炸的时代,互联网每时每刻都在产生新的信息,但是这些信息隐藏在纷繁复杂的各种自由格式文本等其他格式数据中,普通的互联网用户很难直接从检索结果中获取想要的答案。问答系统的出现解决了这一问题,问答系统可以对用户提出的问题处理然后直接给出答案,省去了用户查看各个检索结果然后归纳答案的过程。但是传统的问答系统还有诸多不足。传统的问答系统大多是基于规则模板的,本文选择的是基于机器阅读理解的问答系统,主要工作如下:(1)提出基于二元组的文章检索模型。本文创新地将二元组词序信息作为词典,然后使用TF-IDF等相关检索技术,生成倒排列表,然后使用哈希算法提升检索系统响应时间。该模型明显地提高了检索的准确性和效率。(2)对问答系统的问题进行了更为深入的剖析和理解,将词性标注,命名实体识别等序列标注信息作为除了语义词嵌入向量之外的特征输入,以便在问答系统中捕捉到更多的信息,并且可以在较短的问句中更好的抓住重点。(3)提出了将问题进行分类分别训练模型的方法,提升了问答系统的表现效果。(4)引入注意力机制结合双向长短时记忆网络的阅读理解模型:本文在双向长短时记忆网络中引入注意力机制来改进传统的阅读理解模型,并且在考虑不同层面的特征来改善传统的阅读理解模型,提高了阅读理解模型的准确率。本文问答系统相比较于DrQA问答系统提升了2%的准确度,并且为问答系统领域提供了更宽阔的思路。