自然语言理解是自然语言处理重要的研究子领域,是计算机科学、认知科学、人工智能的交叉研究领域。自然语言理解希望计算机具备正常人的语言理解能力,理解蕴含在语言中的情感、潜在语义及其他方面的综合信息,然后推理出人类的意图。为此,研究者们针对不同的应用场景、从不同的任务展开了研究,研究的任务包括:词性标注,命名实体识别,情感分析,主题建模,信息检索,问答等。近年来,自然语言理解的研究呈现出了以下特点:在技术层面上,深度学理论和技术在各个领域和下游任务上取得了突破性的进展,使得对自然语言理解的研究工作由原来的特征工程更多地转向了现在的深度学模型和算法的设计工程;在任务层面上,大部分的任务与文本分类和信息检索相关,比如词性标注、命名实体识别、情感分析、语义蕴含等可以转化为不同粒度的文本分类任务;而信息抽取、问答等任务则与信息检索强相关;在数据层面上,自然语言理解可以根据训练数据是否具有监督信息分为监督任务、无监督任务和综合性任务,其中无监督任务和综合性任务尤其具有挑战。本文基于深度学相关算法,以分类和问答两类任务为研究对象,以监督任务、无监督任务和综合任务为研究主线,在以下方面取得了创新成果:1.以基于图神经网络的文本分类为切入点展开了对监督任务的研究,提出了一种基于融合机制的图神经网络（简称为图融合网络）,旨在解决先前图神经网络应用于文本分类任务时存在的两个挑战:一是无法较好地构建文本图并利用监督信息对进行学和调整,二是无法方便和有效地对新出现的文档进行推理。对于第一个挑战,本文通过引入两种先验知识来构建多个文本图,并利用监督信息对其进一步学和调整,使之能够捕捉更多的结构信息和更好地适应下游任务;对于第二个挑战,本文基于文本图从字级别的表示中提取文档的表示,使得算法能够方便和有效地对新出现文本进行推理。通过在广泛采用的文本分类数据集上进行实验,验证了本文提出的图融合网络在分类性能上的卓越性;2.以情感分析任务为切入点展开了对无监督任务的研究,提出了一种基于度量方式的多源无监督情感分析框架。提出的框架能够对多个源域的监督信息进行建模,然后利用一种无监督的度量方式从多个源域迁移更适合目标域的知识,从而协助完成目标域无监督的情感分析。提出的算法在被广泛采用的情感分析数据集上进行了实验,结果证明了提出的算法性能优于其他的多源无监督域适应方法,甚至在某些域上比监督方法表现更好;3.研究了如何自动地从源域迁移知识,重新设计了对抗训练方法,提出了两种基于对抗训练的多源无监督情感分析框架。第一种框架利用判别器自动地学源域与目标域样本之间的距离,并根据学到的距离赋予源域分类器不同的权重,从而实现了对源域知识的迁移。为了更好地利用源域分类器所具有的能力,在第一个框架的基础上引入了自训练方法,使之能够对目标域的无标签数据进行打标,以此给目标域提供更多的监督信息。大量的实验证明了本文设计的对抗训练方法能够有效的协助两个框架完成多个源域的知识迁移,并使得目标域取得优异的情感分析性能;4.研究了同时需要远程监督信息和监督信息的混合问答,提出了一种能够完成混合问答任务的解决方案。混合问答需要处理的数据源包括文本和表格两种格式,是自然语言理解较为复杂的综合性任务。提出的方案首先根据最终答案构建检索阶段需要的远程监督信息,然后经过一种由路径引导的检索算法完成证据检索;最后适配和利用基于大型预训练模型的阅读器,根据问题的语义对检索到的结果进行阅读,找到最终的答案。关于混合问答的解决方案第一次在本文被提出,并在混合多跳问答数据集Hybrid QA上进行了验证,其检索性能超越了多个基线方法,阅读性能表现卓越。