Dieses Papier stellt eine neue neuronale Struktur namens FusionNet vor, die existierende Aufmerksamkeitsansätze von drei Perspektiven aus erweitert. Erstens führt es das neuartige Konzept des "Wortverlaufs" (history of word) ein, um Aufmerksamkeitsinformationen vom niedrigsten Wortebene-Embedding bis zur höchsten semantischen Repräsentation zu charakterisieren. Zweitens präsentiert es eine verbesserte Aufmerksamkeitbewertungsfunktion, die das Konzept des "Wortverlaufs" besser nutzt. Drittens schlägt es einen vollständig bewussten Mehrebenen-Aufmerksamkeitsmechanismus vor, der die gesamte Information in einem Text (wie einer Frage) schichtweise erfasst und in dessen Gegenstück (wie Kontext oder Passage) nutzt. Wir wenden FusionNet auf den Stanford Question Answering Dataset (SQuAD) an und erreichen zum Zeitpunkt der Abfassung (4. Oktober 2017) den ersten Platz sowohl für das einzelne Modell als auch für das Ensemblemodell im offiziellen SQuAD-Leaderboard. Gleichzeitig überprüfen wir die Generalisierungsfähigkeit von FusionNet mit zwei feindlichen SQuAD-Datensätzen und es etabliert den neuen Stand der Technik in beiden Datensätzen: bei AddSent steigert FusionNet das beste F1-Maß von 46,6 % auf 51,4 %; bei AddOneSent erhöht FusionNet das beste F1-Maß von 56,0 % auf 60,7 %.