问题生成（Question Generation,QG）是指机器主动对一段文本进行提问,生成一个自然语言的问题。神经问题生成则是完全采用端到端的训练方式,使用神经网络完成文本和答案到问题的转换,是自然语言处理中一个新兴而又重要的研究方向。问题生成在学术界和工业界有着广泛应用,也引起了许多研究人员的兴趣。本文首先对该任务使用的模型框架进行了选择,其次对该模型下存在的问题进行改善,最后将该模型应用到更复杂的场景。本文主要研究内容如下:（1）基于多组件Transformer的问题生成研究。为了将Transformer应用在问题生成任务中,本文提出了三种组件。首先,本文提出答案信息组件,使用答案位置编码的方式对答案信息进行建模,使得模型能够使用到答案信息。其次,本文提出拷贝机制组件,在编码器和解码器交互时加入拷贝机制,使得模型能够从输入文档中复制单词。最后,本文提出ELMo词向量组件,这种动态词向量能解决一词多义问题,使得模型能够对于输入文本建模更加复杂的上下文信息。（2）基于多机制的问题生成相关性研究。为了解决问题生成模型中通用性表达的问题,本文提出了两种机制。首先,本文提出部分拷贝机制,以增强现有的拷贝机制,这使得模型在生成问题时,不仅能够复制原词,还可以复制原词的一部分以生成一个新的单词。这种细粒度的部分拷贝机制通过共享不同形式的单词,来增强生成问题的相关性。其次,本文提出基于QA模型的重排序机制,根据QA模型得到的分数来对模型生成的问题进行重排序。通常而言,通用性问题在QA模型中会得到较低的分数,因此该机制能够筛选出非通用型且高度相关的问题。（3）面向生成式答案的问题生成研究。为了将问题生成模型扩展到生成式答案的情况,本文提出了三种策略。首先,本文提出答案匹配策略,使用硬答案匹配方法和软答案匹配方法,来捕获生成式答案和输入文档之间的语义匹配。其次,本文提出注意力融合策略,在编码器层引入了文档到答案的注意力机制,来对输入文档和生成式答案之间的交互进行建模,该机制能够学习到包含答案信息的文档表示。最后,本文提出答案引导生成策略,将输入文档和生成式答案作为两个独立编码来生成对应问题,这样可以直接将生成式答案引入到解码器中。综上所述,本文从神经问题生成的根基、改善、扩展三个角度出发对该任务进行了研究,其主要贡献如下:首先,在Transformer模型中加入三种组件,使得改进后的Transformer模型更加适应问题生成任务。其次,在问题生成模型中加入两种机制,使得生成的问题与输入文档和目标答案更具有相关性。最后,在问题生成模型中加入三种策略,使得改进后的模型能够处理生成式答案。