实现自然语言理解,甚至是语言生成,一直都是语言学界、计算机界的终极目标之一。不管是计算语言学,或者是自然语言处理(NLP),都是一直在探索语言的内部编码问题,并尝试解码。问句分类作为自然语言理解或者是自然语言生成的一个重要环节,其分类的体系方法影响着整个问句分析模块,同时间句分类的准确率高低会直接影响到语言理解的后续模块。从这个立足点出发,本文将多层次的问句分类结构体系与卷积神经网络模型相结合,结合具体的实验数据对多层次问句分类体系的合理性以及影响分类准确率的一些因素进行详细的分析与论证。第一章主要为绪论,首先介绍了一下问答系统的模块构成,以及问句分类在其中所属的位置:其次叙述了本文的研究背景,即问答系统以及问句分类各自的国内外研究现状;然后从三个角度阐述了一下本文的研究意义;最后是本文的组织结构。第二章主要分为三个部分。第一个部分主要是选取语料的过程,包括语料的选择标准和选择方法;第二个部分是对疑问句进行层次分析,从传统语言学的角度给疑问句进行分类,并建立多层分类体系——M-QCS;第三部分是对语料进行预处理,包括去停用词、分词、词向量转换等。第三章主要分为三部分。第一部分先介绍卷积神经网络(CNN)的一些理论背景,包括深度学习(Deep Learning)的发展以及CNN的基本理论;第二部分主要是介绍一下CNN的基础架构,包括卷积层、激活函数、池化层等关键技术部分;第三部分是建构自己的CNN模型,大致描述分层设计思路。第四章主要分为两大部分。第一部分主要分为三个方面,一是介绍一下人工选取语料集的标准,包括不同类型的问句构式;二是展示一下Word2vec的训练模型,还有简要叙述一下具体的CNN模型原理;三就是此次实验的一些具体过程,包括一些参数设定以及部分伪代码。第二部分就是实验结果的数据统计以及对于实验结果进行的分析,首先是通过实验结果验证了多层分类体系的合理性,并分析了分类错误的原因。其次通过词频统计对于数据结果进行分析,得出了高频词频率之和的大小与分类准确率高低有着正相关的关系,同时也对分类错误的原因进行了分析说明。第五章大致就是对于本文观点的一些概述,梳理全文脉络,进一步对于本文的结论进行简要总结。其中包括对于本文不足之处的一些看法,主要是从语言学角度和计算机角度去说明;其次就是对于本文涉及到的一些次要的语言学问题进行梳理,为以后的问句分类研究提供了一些思路和方向。