作为自然语言处理的一个研究分支,机器阅读理解近年来不断受到研究者的关注。随着旧的测评数据集不断被攻克,阅读理解领域涌现了大量优质的数据集,并且,深度学习的不断发展帮助研究者们提出了越来越多优秀的阅读理解模型。尽管如此,当前机器阅读理解领域仍然存在一些问题:(1)针对不同类型数据对各模型有何影响、各数据类型下哪个模型效果最佳等问题,相关研究较少;(2)阅读理解领域缺少对数据集整合的研究,大多数研究要么是针对某一个数据集,要么是对几个数据集进行分别探讨,没有将多种数据集整合起来;(3)目前的阅读理解模型五花八门,但在具体的问题类型/答案类型上哪种模型效果好,并没有一个可供参考的依据,面对大量的阅读理解模型,研究者常常不知如何选择。针对以上问题,本论文主要从三个方面展开研究:(1)将SQUAD,MARCO,NewsQA,NarrativeQA四个机器阅读理解数据集整合为一个片段提取数据集,保证了文本内容的多样性,受相关文献中对机器阅读理解效果有影响的数据集分类方法的启发,把数据集按照问题类型分成8类,根据答案类型分成6类,作为本文后续的研究数据集。(2)构建了Match-LSTM、BiDAF、R-NET、Mnemonic Reader、Document Reader等多个主流机器阅读理解端到端模型,保留基准模型,并对所有基准模型结构进行了不同程度的修改,同时优化了部分基准模型:为Match-LSTM加入门机制,以提取更准确的注意力向量;为BiDAF基准模型加入高速通道网络来避免反向传播过程中的梯度消失现象。本实验共构建了32个模型,在多种类型文本上的实验结果表明,根据本文方法划分的数据集,对各机器阅读理解模型的性能有着不同程度的影响。(3)采用Web开发的方式搭建了一个机器阅读理解模型分析系统,包含阅读理解作答模块和模型分析模块:阅读理解作答模块集成了多种模型的优势,可以分析用户输入的问题类型,调用最佳模型进行作答;模型分析模块允许用户手动配置多种主流模型,系统能为用户返回该模型在不同类型数据上的性能评估。