答案选择任务是自然语言处理领域中的一个重要分支,同时也是智能问答系统、人机对话系统的重要支撑技术。近年来,随着各类深度学习算法在自然语言处理领域的广泛应用,研究者对问答选择任务模型算法的探索也取得了明显的进展。然而,答案选择模型的性能依旧无法满足行业应用的需求,如何进一步提升模型的准确率,是本课题的探索方向。在人类判断问答··句匹配度过程中,判断问答句语义的同时,往往会调用日常积累的知识作为辅助,而利用深层神经网络构建的答案选择模型只能基于问答句本身的语义信息进行判断,无法像人类一样从外部获取知识。在深层神经网络模型的基础上引入外部知识库(Knowledge Based,KB)信息能有效解决模型的这一短板。近年来,知识库相关任务在也是自然语言处理领域比较热门的研究方向之一。目前已经存在多种不同形式的知识库、知识图谱,这些知识库中存在大量的知识库实体信息和实体关系信息。目前,已有相关研究将知识库实体信息与深层神经网络模型相结合,这种方法起到了一定的优化效果。然而,除了知识库实体信息以外,知识库中还存在着大量的知识库关系信息,这些关系信息与实体信息相结合,组成了数量上是实体信息数倍的知识库三元组信息。因此,如何进一步利用知识库关系信息与深层神经网络模型相结合的方法,达到提升答案选择模型性能的目的,是本课题的重点研究方向。针对以上方向,本课题利用深层神经网络结合外部知识库信息的方法,设计了融合知识库信息的双向长短时记忆网络(Knowledge Based-Bidirectional Long Short Term Memory,KB-BiLSTM),本文主要有以下贡献:第一,利用WordNet词汇关系进行注意力机制优化。通过WordNet中的词汇匹配得到问答句间各词的知识库关系向量,利用该关系向量计算问答句基于知识库关系向量的注意力矩阵,最后将该注意力矩阵与通过其他方法计算得到的注意力矩阵结合,达到优化整体模型注意力机制的目的。通过实验分析,证明了该方法能够优化答案模型的整体性能。第二,利用了将知识库关系信息引入问答模型句编码的方法。首先,利用知识库关系信息结合问答句上下文,计算得到基于知识库关系向量的问答句句向量表示,并与基于空间词向量编码的问答句句向量进行融合,利用知识库关系信息丰富问答句句表示信息。基于关系向量编码的句向量与不同的网络模型所得的句向量编码相结合,在多个答案选择数据集上进行实验,证明引入知识库关系向量句编码的方法能提升模型判断的正确率。第三,利用知识库关系信息优化问答句词向量权重。在对神经网络编码的句矩阵的词向量加权求和过程中,引入知识库关系信息,代替传统的最大值池化或平均值池化,优化各词向量在整个句矩阵中的权重,得到信息更丰富的问答句向量表示。通过在不同的基准模型上的实验,证明引入知识库关系向量可以优化问答句词向量权重,从而提升整体模型的性能。