机器阅读理解旨在使机器能够自行推理并提取信息回答问题。将基于BiDAF模型进行改进以提高问答系统的准确性与效率。首先，BiDAF模型在建模时对文本长度存在限制，针对长文本容易被截断的问题，引入了滑动窗口机制以记录同一文本中过长的信息；其次，由于模型使用的长短时记忆网络（LSTM）难以捕捉较远时间步信息，导致模型存在长期依赖问题，且难以实现并行化计算，为此使用基于自注意力机制的编码器（Encoder）模型提取文本信息；针对原模型文本长度限定导致的位置信息缺失问题，设计了组内匹配、组外排序的方法以获取模型训练的位置信息。采用改进后的BiDAF模型在公开数据集SQuAD上进行测试的结果表明，F1值、精确匹配率（EM）较传统BiDAF模型分别提升了2.48个百分点、11.86个百分点。
