随着互联网大数据和信息技术的飞速发展,各类社交平台相继兴起,随之而来的是海量的数据,其中大部分是文本数据,而如何从文本中提取出有价值的部分,则正是自然语言处理的研究内容。在这些文本数据中,又以陈述句居多,如何针对这些句子,提出合理的问题,正是问题生成所要解决的。如今的在线教育行业正向以人工智能、大数据为基础的智慧教育发展,在这其中,需要为学生提供更多针对性的评估方法,这些往往都是以提问的方式出现。然而对于教育工作者来说人工创建问题是一项非常耗时耗力的工作。因此,如何利用背景知识,对关键点自动进行问题生成是一项非常重要的课题。由于人类问题的多样性和创造性,传统的基于规则改写的方法是无法有效完成问题生成任务的。近年来,随着序列到序列的模型被引入到问题生成中,使得问题生成任务得到巨大的性能提升。而作为问题生成的衍生任务,干扰项生成也逐渐获得了更多研究者的关注。从传统的通过相似词替换或筛选方法到神经网络的应用,生成的干扰项也能够具备更好的语义丰富性和多样性。本文对基于序列到序列的问题生成方法进行研究,主要的工作内容和贡献可以总结为以下几点:1)本文提出一种主题信息增强的多头双向注意力干扰项生成模型（TMCA）。主题信息作为一种高层次的语义集群,能够更好的建模对象之间的关系。针对以往研究中只使用词级别或句子级别信息,本文提出将主题信息融入到模型中,使得模型能够更好的获取句子与句子之间的相互关系。其次,使用多头的双向注意力机制,对阅读理解背景下,捕捉文章中的句子与问题之间的注意力,从而在解码阶段调整生成的项与问题之间的关系。最后,干扰项生成的难点主要在于干扰项的定义,它是一个错误选项,但需要与问题相匹配才会有意义。针对这个问题,本文提出静态注意力和查询相关性损失,目的是要增强生成的项与问题之间的语义相关性,同时抑制它与正确答案之间的语义相关性,尽可能的使得生成的干扰项能够在语义上贴近相应问题,又能确保它是一个非正确的选项。2)本文提出一种问题-干扰联合生成框架（QDG）。该框架在给定的背景文章和指定的答案后,能够自动同时生成问题和干扰项,使之组成完整的多项选择阅读理解题目,能够更好的应用在教育工作者的工作中。在以往的研究中,虽然有独立的问题生成和干扰项生成研究,但联合的问题-干扰项生成研究却极少。过去,只能先通过生成问题,然后再通过传统的对答案进行相似词排序筛选的方式构建干扰项,无法做到端到端的统一联合生成方式生成问题-干扰项对。本文在干扰项生成的工作基础上,首次提出端到端的联合生成框架。本文发现干扰项作为错误选项也与背景文章中的某些部分相关,通过抑制相关部分,从而使得生成的问题能够更聚焦到正确答案相关部分上。除此之外,通过生成的问题再指导干扰项的生成,进行迭代生成,能够有效地提高两个任务的性能和效果。3)为了验证TMCA和QDG的有效性,本文通过与相关基线模型在真实数据集上的表现进行对比,实验结果表明了本文提出的两项工作的有效性。由于目前的自动评价指标仅能对生成项与给定的目标句子进行比对分析,尚未有更好的指标适合评估生成项的多样性和有效性。因此,本文在自动评估的基础上,进一步使用人工评估的方式,验证生成的项在多样性和有效性上的表现。综上所述,本文针对基于序列到序列的问题及干扰项生成方法进行研究,其中包含问题生成和子任务干扰项生成。同时,我们进行了多组对照实验,实验结果体现出本文提出的模型的有效性和可行性。