近年来,随着互联网的发展,知识量的扩大,互联网上大量的信息却只有一小部分是对人们有用的。搜索引擎在处理此问题也存在很多不足,如噪声过多、有效内容过少和问题定位不准等,导致了用户无法高效的从互联网中获取有效信息,为了解决这一问题,问答系统应运而生,人们越来越关注问答系统,因为问答系统能从海量信息中选出有效信息反馈给人们。随着知识图谱的发展,传统问答系统的模式也逐渐改变。对输入问句的识别和根据问句中实体进行实体搜索的精准度是衡量问答系统好坏的重点。本文运用问句相似度计算以及改进的TransE模型完成了一个基于知识图谱的问答系统。传统的知识表示学习模型能有效处理一对一的实体关系,但对于一对多或者多对一的实体关系处理起来准确性不佳。本文对问句匹配、候选实体获取以及知识表示模型技术的深入研究,采用中文知识图谱为知识来源,对用户的问句实体识别算法和传统的知识表示算法做了改进,给出了本文的创新算法与模型,并在真实数据中进行了测试,构建出了基于知识图谱的问答系统。本文的主要工作如下:(1)当前基于知识图谱的问答系统中问句理解的准确率还有不足之处,本文在问句实体识别前增加了问句匹配步骤,首先采用词嵌入技术(word embedding)来对问答系统中输入的问句进行词嵌入,将向量化的问句与构建的候选问句集进行比较,选出最优问句,再识别选出的最优候选问句的实体,从而提高问句实体识别的准确率。(2)传统知识图谱问答系统中,在实体搜索后返回的是无序的实体链接序列,为了提高目标实体获取的准确率,本文将实体的热度、语义相似度、上下文相似度和字符相似度四个方面对实体进行多维度打分机制来减少冗余,提出了改进的Rank M算法对候选实体进行排序。(3)针对传统知识图谱表示模型TransE对部分实体的表示具有高度相似性,无法表示一对多、多对一实体对的问题,我们在TransE的基础上引入了实体的描述信息部分,将实体的信息特征加入TransE模型中,提出改进的TransEM模型,从而区分了高度相似实体的表示,并通过数据集进行测试,实验结果证明本文的方法相比于传统的方法有所提高。本文根据上述算法并结合DBpedia部分数据集,实现了一个基于中文知识图谱的问答系统,并在真实的环境中进行系统测试,测试结果答案准确率比传统问答系统有所提高。