人類可以輕而易舉地閱讀理解自己的母語(yǔ)，而機(jī)器卻難于閱讀理解自然語(yǔ)言。要想讓機(jī)器閱讀理解自然語(yǔ)言，就需要把自然語(yǔ)言轉(zhuǎn)化成它可以用來(lái)讀取、存儲(chǔ)、計(jì)算的數(shù)值形式。當(dāng)若干自然語(yǔ)言被轉(zhuǎn)換為數(shù)值之后，機(jī)器通過(guò)在這些數(shù)值之上的一系列運(yùn)算來(lái)確定它們之間的關(guān)系，再根據(jù)一個(gè)全集之中個(gè)體之間的相互關(guān)系，來(lái)確定某個(gè)個(gè)體在整體(全集)中的位置。

　　機(jī)器閱讀理解是一種利用算法使計(jì)算機(jī)理解文章語(yǔ)義并回答相關(guān)問(wèn)題的技術(shù)。由于文章和問(wèn)題均采用自然語(yǔ)言的形式，因此機(jī)器閱讀理解屬于自然語(yǔ)言處理的范疇，也是其中最新、最熱門的課題之一。近年來(lái)，隨著機(jī)器學(xué)習(xí)(Machine Learning)，特別是深度學(xué)習(xí)的飛速發(fā)展，機(jī)器閱讀理解研究有了長(zhǎng)足的進(jìn)步，并在實(shí)際應(yīng)用中嶄露頭角。

　　隨著機(jī)器閱讀理解技術(shù)的發(fā)展，閱讀理解任務(wù)也在不斷升級(jí)。從早期的“完形填空形式”，發(fā)展到基于維基百科的“單文檔閱讀理解”，如以斯坦福大學(xué)設(shè)計(jì)的SQuAD 為數(shù)據(jù)集的任務(wù);并進(jìn)一步升級(jí)至基于web(網(wǎng)頁(yè))數(shù)據(jù)的“多文檔閱讀理解”，這一形式的典型代表是以微軟公司MS-MARCO、百度公司DuReader 為數(shù)據(jù)集的任務(wù)。

　　目前，針對(duì)不同的閱讀理解任務(wù)，研究人員已經(jīng)設(shè)計(jì)出多種模型，并取得初步成效。然而在多文檔閱讀理解任務(wù)中，由于與問(wèn)題相關(guān)的文檔很多，帶來(lái)的歧義也更多，由此可能最終導(dǎo)致閱讀理解模型定位錯(cuò)誤的答案。面對(duì)這些問(wèn)題，人類的思考模式通常為：先找到多個(gè)候選答案，通過(guò)對(duì)比多個(gè)候選答案的內(nèi)容，選出最終答案，由此來(lái)找到準(zhǔn)確率最高的答案。

　　早期的閱讀理解模型大多基于檢索技術(shù)，即根據(jù)問(wèn)題在文章中進(jìn)行搜索，找到相關(guān)的語(yǔ)句作為答案。但是，信息檢索主要依賴關(guān)鍵詞匹配，而在很多情況下，單純依靠問(wèn)題和文章片段的文字匹配找到的答案與問(wèn)題并不相關(guān)。隨著深度學(xué)習(xí)的發(fā)展，機(jī)器閱讀理解進(jìn)入了神經(jīng)網(wǎng)絡(luò)時(shí)代。相關(guān)技術(shù)的進(jìn)步給模型的效率和質(zhì)量都帶來(lái)了很大的提升，使機(jī)器閱讀理解模型的準(zhǔn)確率不斷提高。

　　基于深度學(xué)習(xí)的機(jī)器閱讀理解模型雖然構(gòu)造各異，但是經(jīng)過(guò)多年的實(shí)踐和探索，逐漸形成了穩(wěn)定的框架結(jié)構(gòu)。機(jī)器閱讀理解模型的輸入為文章和問(wèn)題。因此，首先要對(duì)這兩部分進(jìn)行數(shù)字化編碼，變成可以被計(jì)算機(jī)處理的信息單元。在編碼的過(guò)程中，模型需要保留原有語(yǔ)句在文章中的語(yǔ)義。我們把模型中進(jìn)行編碼的模塊稱為編碼層。

　　接下來(lái)，由于文章和問(wèn)題之間存在相關(guān)性，模型需要建立文章和問(wèn)題之間的聯(lián)系。這可以通過(guò)自然語(yǔ)言處理中的注意力機(jī)制加以解決。在這個(gè)過(guò)程中，閱讀理解模型將文章和問(wèn)題的語(yǔ)義結(jié)合在一起進(jìn)行考量，進(jìn)一步加深模型對(duì)于兩者各自的理解。我們將這個(gè)模塊稱為交互層。

　　經(jīng)過(guò)交互層，模型建立起文章和問(wèn)題之間的語(yǔ)義聯(lián)系，就可以預(yù)測(cè)問(wèn)題的答案。完成預(yù)測(cè)功能的模塊稱為輸出層;由于機(jī)器閱讀理解任務(wù)的答案有多種類型，因此輸出層的具體形式需要和任務(wù)的答案類型相關(guān)聯(lián)。這可以通過(guò)自然語(yǔ)言處理技術(shù)來(lái)尋找答案，并加以解決。

　　自然語(yǔ)言處理是實(shí)現(xiàn)機(jī)器和人機(jī)交互愿景的重要技術(shù)基石，機(jī)器閱讀理解則可被視為自然語(yǔ)言處理領(lǐng)域皇冠上的明珠之一。機(jī)器閱讀理解將讓知識(shí)獲取不受人腦的限制;但對(duì)于機(jī)器閱讀理解的“能理解會(huì)思考”的終極目標(biāo)來(lái)說(shuō)，現(xiàn)在還只是萬(wàn)里長(zhǎng)征的開始。

　　有關(guān)專家認(rèn)為，端到端的深度神經(jīng)網(wǎng)絡(luò)可以更好地發(fā)現(xiàn)自然語(yǔ)言處理中的一些潛在特征，從而提高機(jī)器閱讀理解的準(zhǔn)確率。對(duì)自然語(yǔ)言的更深層次的歸納總結(jié)、知識(shí)引用、推理歸因以及知識(shí)圖譜和遷移學(xué)習(xí)，將是機(jī)器閱讀理解的未來(lái)發(fā)展方向。

　　作為人工智能技術(shù)的重要分支，機(jī)器閱讀理解將越來(lái)越多地應(yīng)用于各行業(yè)。正如國(guó)際知名學(xué)者周海中教授曾經(jīng)預(yù)言：“隨著科技進(jìn)步，人工智能時(shí)代即將到來(lái);屆時(shí)，人工智能技術(shù)將廣泛應(yīng)用到各學(xué)科領(lǐng)域，會(huì)產(chǎn)生意想不到的效果。”