随着移动互联网的日益普及和移动智能终端的迅猛发展,智能交互系统已在日常生活工作领域中得到了广泛应用,如在线客服和金融咨询等。作为智能交互系统中的一种重要存在形式,交互式问答通过自然连续的人机对话交互实现用户信息的自动反馈,而其中的关键研究问题在于如何学习和表示上下文关联的自然语句,以及如何自动解析交互场景中复杂抽象的上下文语句关系。近年来,深度神经网络在语音识别、图像分类和机器翻译任务上都表现出强大的数据抽象表示能力,深度学习也成为了自然语言处理研究领域中的一种主流方法。鉴于此,本文研究基于深度学习的交互式问答技术,通过深度神经网络探讨交互式问答的上下文表示学习和语义关系建模,主要深入研究交互式问答系统框架中所涉及的关键技术问题。首先,本文针对交互式场景中的上下文关联现象,构建了面向真实环境的交互式问答知识库,为交互式问答技术研究提供了一份可靠的语料资源。本文首先收集了真实网购环境下的交互式问答语料,并分别从语境、语用和语义三个方面分析了上下文关联现象中的话题关联、用户行为依赖和上下文语义关系;然后标注了交互式问答中的语句话题、用户行为和上下文语句关系,建立了基于话题类别和用户行为类别的问答知识框架,知识库中的问答知识条目对应于基于上下文关系划分的问答语句序列。本文所构建的交互式问答语料库和知识库可用于评测交互式问答的问句解析、关联问句检索、答案选择和上下文关系结构解析等相关任务。本文通过用户意图分析任务验证了语料知识库的数据可靠性,并通过隐马尔可夫的对话建模归纳分析了交互式问答的话题关联结构和对话行为结构。其次,本文对交互式问答中的问句解析问题进行了研究,提出了基于循环神经网络的交互式上下文表示学习模型。面对交互式问答中普遍存在的语义缺省情况,本文通过自动编码-解码的无监督学习架构进行上下文表示学习的端到端建模,实现了交互式问答上下文的自动编码和解码,并结合分类器完成了基于上下文的问句解析表示。针对上下文编码,模型通过交互式语句编码机制学习上下文场景中的语言匹配模式。本文提出的模型不仅消除了对于逐步式问句解析方法中问句完整性判别、上下文抽取和问句补全等相关处理的性能依赖,而且降低了问句解析模型在有监督学习过程中对于人工先验知识的依赖。实验表明,本文提出的上下文表示学习模型具有更好的任务自适应性,对应的用户问句解析性能也优于其他对比模型。接着,本文对交互式问答中的问答匹配问题进行了研究,提出了基于循环卷积神经网络模型的上下文关联场景的答案选择方法。在交互式问答场景中,不仅存在问句与候选答案的语义匹配关系,还存在上下文关联答案之间的语义相似性或相关性。鉴于此,本文通过整合卷积神经网络和循环神经网络实现问答语义匹配与答案语义关联的联合建模,并提出了“渐进式”学习算法进行模型的优化训练,提高了模型对于答案语义关联信息的学习表示能力。本文分别在客服问答和社区问答的答案选择任务上进行了模型评测,实验表明,本文提出的循环卷积神经网络模型显著优于其他对比模型的答案判别性能,尤其是对语义相似或相关答案选项的有效区分;并验证了答案语义关联建模对于答案选择的有效性。最后,本文对交互式问答中的关系结构解析问题进行了研究,提出了基于注意力机制的交互式问答语句关系标注模型。交互式问答系统实现知识自学习的重要手段是面向交互式场景的问答知识抽取,其关键问题是如何正确解析上下文语境中的复杂语句关系。为此,本文通过基于匹配模式的注意力学习机制引导上下文语句关系的建模,实现了语句关系模式与句子语义成分的特征对齐,提高了模型对于复杂语句关系的学习表示能力。针对语句关系的上下文依赖,本文通过循环神经网络进行语句关系的上下文建模,实现了基于上下文语境的语句关系学习及标注。实验表明,本文提出的关系标注模型明显优于其他对比模型的解析性能;模型能够有效识别出交互式场景的复杂语句关系,抽取出包含完整语义关系的问答知识对,有效提高了系统的知识自学习水平。