1.一种面向阅读理解问答的多角度答案验证方法，其特征在于，其步骤为：步骤一、获取阅读理解问答的基础数据，运行开源阅读理解问答方法，针对基础数据中每个问题Q，得到其对应的答案A，答案对应的概率y0，即答案与问题相匹配的概率，也即答案的合法性，答案所在的句子C，答案正确与否的标志 答案正确则 答案错误则将每个 作为一条训练数据；

步骤二、对步骤一所得Q、A、C进行分词、词性标记、命名实体识别，对答案所在的句子进行依存句法分析，得到答案所在句的依存句法树；

步骤三、将步骤二所得每个词语替换为词向量，将词语的词性、实体类型转换为one‑hot编码，将三者串联起来，获得 其中， 分别表示Q、A、C中第t个词的词向量，q、a、c分别表示词语的个数；

步骤四、针对每组训练数据，将 输入混合模型，得到Q、A、C融合上下文信息的词向量表示

步骤五、混合模型将 送入答案合法性判定模型，得到问答合法的概率y1；混合模型将 送入答案可信度计算模型，得到问答对可信的概率y2；

步骤六、混合模型将通过合法性判定模型得到的y1、通过可信度计算模型得到的y2、阅读理解问答得到的y0一起送入一个二分类的多层感知机，得到该答案为正确答案的概率：y＝MLP3(y0，y1，y2)步骤七、比较y与 对步骤四～步骤六中的参数进行训练；

步骤八、不断重复步骤四～步骤七，循环一个固定的次数停止，得到训练好的答案验证混合模型；

步骤九、针对任意一个阅读理解问答方法，在任何阅读理解问答场景下，得到的＜Q，A，C，y0＞，送入训练好的答案验证模型，对答案正确与否做出判断。

2.根据权利要求1所述的一种面向阅读理解问答的多角度答案验证方法，其特征在于：步骤二利用stanford的词法句法分析工具，对所有的Q、A、C进行分词、词性标记、命名实体识别；步骤三下载GLOVE词向量表，将步骤二所得每个词语替换为GLOVE词向量。

3.根据权利要求1或2所述的一种面向阅读理解问答的多角度答案验证方法，其特征在于：步骤四中利用双向循环神经网络BiRNN1，分别对 进行编码，得到Q、A、C融合上下文信息的词向量表示 BiRNN1中循环神经网络将采用LSTM，前向和后向循环神经网络的输出通过串联方式连接。

4.根据权利要求3所述的一种面向阅读理解问答的多角度答案验证方法，其特征在于：步骤五中答案合法性判定模型利用一个预先定义的参数向量α对问题 进行关注，得Q

到问题Q的新向量表示u ，如(2)式所示，其中st为α对 的关注值，按(3)式计算，S为一个参数矩阵：

答案合法性判定模型利用答案 对问题 的关注，获得给定问题情况下答案的新的向量表示 如(4)式所示；其中，rtj为答案中第t个词 对问题中第j个词的关注值，按(5)式计算，R为参数矩阵：

5.根据权利要求4所述的一种面向阅读理解问答的多角度答案验证方法，其特征在于：步骤五中答案合法性判定模型首先将 送入双向循环神经网络BiRNN2中，得到的第一个和最后一个状态的串联组合 被作为答案新的表示；

Q

答案合法性判定模型将 和u一起送入二分类多层感知机MLP得到该问答合法的概率y1，如式(7)所示：

6.根据权利要求5所述的一种面向阅读理解问答的多角度答案验证方法，其特征在于：步骤五中答案可信度计算模型将问题 和答案 顺序串联输入到双向循环神经网络BiRNN3中，得到问答对的语义表示 如式(8)所示； 为问答对的第t个词的语义表示，qa表示问答对中词语的总数，qa＝q+a；

利用Dependency Tree‑LSTM，根据C的句法分析结果，将 转换为树型网络的形式 其中 为树型网络中第t个节点的语义表示，n为句法树中节点的个数；

答案可信度计算模型将分别采用串到串、串到树两种方式计算 对 和的关注值，得到问答对的新的语义表示 如式(10)所示，其中wtj和vtj分别为串到串、串到树的关注值，计算方式如(11)、(12)所示，其中W、V为参数矩阵；

7.根据权利要求6所述的一种面向阅读理解问答的多角度答案验证方法，其特征在于：步骤五中答案可信度计算模型将 送入双向循环神经网络BiRNN4，得到如(13)式所示， 为初始化参数； 的第一个和最后一个状态串联组合 作为问答对的最终表示；

答案可信度计算模型将 送入一个二分类的多层感知机，如式(14)所示，得到该问答对可信的概率y2：

8.根据权利要求7所述的一种面向阅读理解问答的多角度答案验证方法，其特征在于：步骤七中使用AdaGrad算法对参数进行训练，AdaGrad的学习率被设置为0.01，对步骤四～步骤六中的BiRNN1～BiRNN4，MLP1～MLP3，TreeLSTM中的参数以及α、S、R、W、V进行调整。