赋予机器理解人类语言的能力是人工智能的重要目标,机器阅读理解（Ma-chine Reading Comprehension）是以此为目 标的代表性自 然语言处理任务之一,旨在教会机器阅读自然语言文本并回答相关问题,机器需要具备一定的语言理解能力才能给出正确答案。近年来机器阅读理解受到学术界和产业界的共同关注,取得了令人瞩目的研究进展,技术成果也已融入真实业务系统。数据在这个过程中起到了关键作用,大规模数据集的出现使机器阅读理解研究进入深度学习时代,陆续发布的多样化数据集则为持续发展提供保障。另一方面,神经网络模型的结构不断演进,性能稳步提升,在许多评测上的表现已经能够与人类比肩。尽管取得了如此成就,机器阅读理解的研究仍然面临诸多挑战。如模型的表现过度依赖大规模人工标注数据,当问题的形式发生改变或面临新的领域时,都需要再次耗费时间和人力标注相当规模的数据才能取得比较不错的效果。此外,在通用神经网络基础结构方面,虽然长短期记忆（Long Short Term Memory,LSTM）和自注意力机制（Self-Attention）等改进提高了模型处理文本的能力,但当前机器阅读理解模型的设计在结合任务特性方面还有待进一步提高。针对以上挑战,本文从数据和模型两个角度出发,分别在数据充足和数据稀缺场景下,通过数据增强和模型设计研究解决这些问题的关键技术。本文研究主要包括以下四个方面:1.基于问题生成的机器阅读理解数据增强。判断问题能否根据给定文本来回答是阅读理解能力的一种体现,本文尝试从数据方面提高模型这方面的能力,提出基于无答案问题生成的数据增强方法,使模型能更准确地区分无答案问题。通过问题生成模型自动根据文本和有答案问题生成对应的无答案问题,作为增强数据帮助训练机器阅读理解模型,在不改变模型结构的情况下提高其性能。2.基于资源转换的机器阅读理解数据增强。数据集的自动构建方法相比人工构建方法在规模和成本上有优势,在标注数据不足时可以作为增强数据提高模型的表现。本文提出了一种通过转换维基百科自动获取机器阅读理解样本的方法,构建了一个包含将近30万个样本的大规模数据集,既可作为增强数据对模型进行预训练,又可单独用于研究。本文还提出了一个答案句抽取模型,研究数据规模对模型表现的影响。3.基于候选项建模强化的机器阅读理解。回答选择型机器阅读理解问题需要从若干候选项中选择正确的一项,相关模型的设计将主要的精力放在问题和文本的表示与交互上,对候选项的建模比较简单粗糙。然而候选项能够为回答选择型问题提供许多帮助,比如可以明晰含义模糊问题的语义或通过比较候选项选择更合适的一项。基于上述分析,本文提出了候选项强化建模的机器阅读理解模型,结合候选项和问题在文本中搜集相关信息,并建模候选项间的相互关系以便更准确地选择正确选项。4.基于稀疏子网络识别的机器阅读理解。对于有大规模标注数据的领域,在预训练语言模型上构建的机器阅读理解模型能够取得非常不错的表现,但在与训练领域存在差异的领域上,模型却往往表现地并不理想。这时借助领域适应方法能取得更好的结果。本文提出了一种只使用少部分参数进行领域适应的方法,这些参数对应源领域模型中的稀疏子网络。通过对领域模型的初步分析,发现模型中关键模块的重要性在不同领域上高度相关,遂将模块重要性引入到子网络识别算法中,找到能更好适应目标领域的子网络。综上所述,本文在深度学习的背景下,从数据和模型两方面研究提高神经网络模型阅读理解能力的方法。从数据的角度出发,通过问题生成和资源转换两种方法构造增强数据,来更好地训练机器阅读理解模型。在模型方面,则通过结合任务特性来设计模型结构和选择模型参数,使模型能更好地从数据中学习任务知识。