1.一种基于增强问题重要性表示的答案选择算法，其特征在于：步骤如下：S1，将问题和答案通过BiLSTM编码层对问题和答案进行编码，得到问题的句子和答案的句子；

S2，编码后的问题利用自注意力机制得到新的问题向量；所述步骤S2中对步骤S1中得到问题的句子Tq＝{tq1,...,tqm}和答案的句子Ta＝{ta1,...,tan},其中m和n分别表示问题和答案的长度，u为LSTM的隐层维度；对问题中的每个词进行计算权重并更新权重,生成新的问题向量表示；所述新的向量计算公式为：v＝TqW1；其中

αq＝sigmoid(v)；其中

Uq＝αq⊙Tq；其中

S3，将问题和答案构建词级相似度矩阵进行对齐；所述词级相似度矩阵的计算方式为：T

M(i,j)＝Uq(i)Ta(j)

其中， 词级相似度矩阵的每一行是问题中的词对答案中的每个词的影响，对词级相似度矩阵的行和列用softmax函数进行归一化，得到互信息影响因子λq(i,j)和λa(i,j)，其中，λq(i,j)和λa(i,j)的取值范围均在[0,1]；将问题向量和答案向量与对应的影响因子相乘得到两个新的向量Eq和Ea；

S4，捕捉多粒度的语义信息，将不同粒度的向量进行融合比较；所述在步骤S4中，问题原始向量表示为Q,经过注意力对齐层的向量表示为 答案原始向量为A,经过注意力对齐层的向量表示为 向量相减表示两个向量之间的欧式距离，向量相乘近似于两个向量之间的余弦距离，具体计算公式如下：其中，

S5，通过多窗口CNN来提取融合特征，得出最佳选项；

所述步骤S5中的计算公式为：

U＝CNN(Fuse)，其中，Fuse表示融合向量Kq或者融合向量Ka；

CNN的输出U通过最大池化和平均池化得到Sq,max，Sa,max，Sq,mean，Sa,mean，然后拼接成一个向量S；

通过多层感知器(MLP)得到最后的预测向量 利用下列公式得到得分向量；

G＝softmax(Score)；

减少预测值的概率分布接与标签值的概率分布的差距，公式为：

2.根据权利要求1所述基于增强问题重要性表示的答案选择算法，其特征在于：所述在步骤S1中Q为问题，答案为A，用Hq＝{hq1,...,hqm}和Ha＝{ha1,...,han}来表示问题句向量和答案句向量， 是句子Hq的第i个词嵌入；

问题和答案通过BiLSTM编码层捕捉到句子上下文的信息，在t时刻的嵌入词为xt,前一时刻的隐层和记忆单元分别为ht‑1和ct‑1，下一时刻的隐层ht和记忆单元ct计算如下：gt＝φ(Wgxt+Vght‑1+bg)，it＝σ(Wixt+Wiht‑1+bi)，ft＝σ(Wfxt+Wfht‑1+bf)，ot＝σ(Woxt+Woht‑1+bo),ct＝gt⊙it+ct‑1⊙ft，

ht＝ct⊙ot

其中， σ和φ分别是sigmoid函数和tanh函数，⊙表示两个向量进行元素相乘，输入门i，遗忘门f和输出门o能够自动的控制信息的流动,同时记忆单元ct可以记住长距离的信息ht是t时刻的向量表示。