伴随着互联网技术的飞速发展和各种电子终端产品的普及,人们每时每刻都在向互联网上传数据,使得互联网中存在海量的数据。面对海量的互联网信息,传统基于关键词匹配和文档排序的搜索引擎已经无法满足人们对于快速获取信息的需求。知识库问答系统能够理解用户的自然语言问句从知识库中直接查找出问题的答案,是下一代搜索引擎的发展方向。得益于深度学习与人工智能技术的发展,知识库问答系统在自动问答、搜索等领域得到广泛应用并取得了巨大的成功。知识库问答系统依赖于内容完整且准确的知识库,但是知识库的构建需要耗费大量的精力。另一方面,知识库也不能保证总是包含回答用户问题所需要的全部知识,尤其是开放领域的问题。然而,在互联网中存在着大量的文本,包含着丰富的内容,可以对知识库进行知识的补充,从而提高知识库问答系统的准确度。但是,知识库是结构化的数据,而文本是无结构的数据,因此,需要设计模型,将知识库与文本知识融合起来,从中提取出问题的答案。针对这一问题,本文主要进行了以下研究:(1)本文提出了 一个带问题注意力机制的图神经网络(Graph Neural Network with Question Attention,GQAT)。GQAT将问题注意力机制引入到图注意力网络(Graph Attention Network)中,能够根据图中邻居结点与问题的匹配程度,决定邻居结点信息对问题的重要程度,从而在知识库中学习到与问题相关的知识,提高知识库问答系统的准确率。(2)基于GQAT模型,本文给出了融合知识库与补充文本知识的模型。通过将文本新实体添加到问题子图的方法,动态地对知识库内容进行补充。另外,将文本知识融合入实体表示向量中,使得实体表示向量能够融合来自知识库与文本的知识。(3)设计多组实验对本文提出的模型进行验证,实验结果表明,本文的GQAT模型能够从知识库中学习到与问题相关的知识,而融合模型能够充分利用知识库与文本两方面的知识。相比其他知识库问答模型,本文的模型有较好的表现。