问答系统(QA)属于信息检索的范畴,主要通过对已有信息进行检索,返回问题答案或其它相关信息。问答系统可以通过理解用户的问题来提高回答问题的质量。目前,问答系统在智能语音交互、在线客服、知识获取、聊天机器人等诸多任务被广泛应用。对于基于检索的问答系统,答案选择是核心环节。随着深度学习技术在机器翻译、文本摘要、问答系统等自然语言处理领域的成功应用,基于深度学习的答案选择算法也成为当前研究热点。现在已有的基于深度学习的答案选择算法中,Word2vec或Glove词嵌入表示无法解决一词多义问题,直接影响到后续对句子的语义表示;RNN和CNN在文本特征提取方面存在一定的局限性,RNN由于自身的结构无法并行计算,CNN学习的是文本的局部特征。因此,针对现有答案选择算法在词嵌入表示和文本全局信息建模方面存在的不足,本文提出了 Transformer-LSTM和BERT-LSTM答案选择算法,并在两个基准数据集上实验,取得了具有竞争性的效果。本文具体的工作如下:Transformer结构由于内部的Self-Attention机制,很容易学习文本的全局信息。本文结合 Transformer 和 BiLSTM 结构,提出 TLAS(Transformer-LSTM)答案选择模型,用Transformer学习全局信息,BiLSTM实现语义信息融合。基于此,在TLAS模型引入注意力,提出基于交互的答案选择模型ITLAS。在答案选择公开数据集上取得了很好的结果。BERT预训练模型在预训练过程学习到通用的语言学知识,从中提取的词嵌入包含了上下文信息,该嵌入比传统的Word2vce和Glove具有更好的表示能力。因此,本文提出BERT-LSTM模型,基于BERT预训练模型进行微调,后接BiLSTM层整合语义信息,并使用注意力机制减少问答文本中无关信息的影响。最后,我们在流行的答案选择数据集WikiQA和InsuranceQA上评估我们的模型。实验结果表明,本文提出的方法比几种具有竞争性的基准方法有更好的性能。