摘要

教机器理解人类语言文档是人工智能领域最难以捉摸和长期存在的挑战之一。本文探讨了阅读理解的问题:如何构建计算机系统来阅读一篇文章并回答理解问题。一方面，我们认为阅读理解是评估计算机系统理解人类语言能力的一项重要任务。另一方面，如果我们能够构建高性能的阅读理解系统，它们将成为问答和对话系统等应用的关键技术。

本文主要研究了基于深度神经网络的阅读理解模型。与传统的稀疏的、手工设计的基于特征的模型相比，这些端到端神经模型被证明在学习丰富的语言现象方面更有效，并在很大程度上提高了所有现代阅读理解基准的性能。

本文由两部分组成。第一部分，我们的目标是涵盖神经阅读理解的本质，并介绍我们在构建有效的神经阅读压缩模型方面所做的努力，更重要的是了解神经阅读理解模型实际学习了什么，以及解决当前任务需要多大的语言理解深度。我们还总结了该领域的最新进展，并讨论了该领域未来的发展方向和有待解决的问题。

在本文的第二部分，我们探讨了如何基于最近神经阅读理解的成功构建实际应用。特别是，我们开创了两个新的研究方向:1)如何将信息检索技术与神经阅读理解相结合，解决大规模开放领域的问题回答;和2)如何从现有的单轮、基于斯潘语言的阅读理解模型中构建会话问答系统。我们在DRQA和COQA项目中实现了这些想法，并证明了这些方法的有效性。我们相信它们对未来的语言技术有着巨大的前景。