王 龙，段利国，李爱萍,2

(1.太原理工大学 信息与计算机学院，山西 太原 030024；2.武汉大学 软件工程国家重点实验室，湖北 武汉 430072)

0 引 言

随着互联网技术飞快发展，数据信息急剧增多，面向大众领域的问答系统成为越来越多的人获取信息、共享知识的首选途径，以百度知道为代表的社区问答系统在人们生活中应用广泛，但其针对同一个问题往往有多个不同答案，而且答案的质量也良莠不齐。因此，旨在针对用户的提问信息，分析筛选并返回给用户所需的准确答案的答案排序算法起到重要作用。

通过分析众多问答信息数据发现，相较于长文本问答对，无法更多提取短文本文本信息，导致其排序效果差距很大，达不到较高的准确率。因此提出融合多种神经网络与多特征的答案排序模型，由多种神经网络学习文本特征，同时引入多种特征信息提高准确率。

本文的主要贡献如下：

(1)构建由卷积神经网络(CNN)、双向门控循环单元(Bi-GRUs)和多层感知器(MLP)组成的多层神经网络模型，在融合层加入词汇特征、主题特征等多种特征信息。

(2)对卷积神经网络(CNN)做出改进，采用2-Max Pooling做池化操作，同时引入Leaky Relu激活函数以解决“梯度消失”问题，加快收敛速度。

(3)该模型在WikiQA数据集上取得较好的答案排序效果。

1 相关工作

现阶段答案排序方法可以分成两类：第一类是传统的基于词汇、句法、语法等特征信息进行答案排序的机器学习方法；第二类是新兴的基于神经网络模型的深度学习方法。……