传统的搜索引擎以关键字组合的方式进行检索,返回一系列相关网页,需要用户进行多次筛选才能获得需要的答案。知识库问答系统融合了信息检索(Information Retrieval,IR)和自然语言处理(Natural Language Processing,NLP)等技术的优点,以自然语言问句作为输入,输出简洁、准确的自然语言答案,更能满足当代人快速、准确获取信息的需求。对现有的知识库问答系统进行分析,发现英文领域的开放知识库问答系统不仅支持单一关系问答,还支持多关系问答。在中文领域,目前的研究大都针对的是单一关系问答,多关系问答还处于探索阶段。本文基于NLPCC-ICCPOL 2016提供的知识库对中文领域的多关系问答方法进行探索,将知识库问答分为实体识别、实体关系抽取和答案检索三个子任务,本文围绕这三个子任务展开工作,具体内容如下:(1)基于BI-LSTM-CRF(Bi-direction Long Short-Term Memory Conditional Random Field)模型的实体识别、链接与消歧。针对自然语言问句中实体的多样性,首先引入BI-LSTM-CRF模型学习问句中实体与周围词语的关系,训练出一个实体识别模型来识别问句中的实体;然后通过相似度计算、查询实体映射表的方式将实体与知识库中的术语进行链接,得到实体对应的术语集合;最后通过综合相似度计算和实体流行度的方式对候选实体进行消歧,消除实体链接后可能产生的冗余。(2)基于词性特征与位置特征的实体关系抽取。针对多关系问答中自然语言问句包含不止一个关系词的问题,本文首先提出了一种基于词性特征的关系词提取算法,从问句中获取候选关系词序列;然后通过相似度计算的方式将候选关系词序列与知识库中的谓词进行映射;最后,根据实体、关系、疑问代词之间的相对位置以及各自的数量,按照单一实体单一关系、单一实体多关系、多实体单一关系和多实体多关系这四种问句类型生成具有语义信息的三元组集合。(3)基于模板匹配的答案检索。针对三元组之间的关联关系,或三元组内部元素之间的关系,本文首先定义了五种模板,每个模板定义一种三元组类型与Cypher查询语句的映射规则;然后将实体关系抽取阶段生成的三元组集合与模板进行匹配,得到一系列查询语句;最后在知识库中进行检索,获得候选答案集合。采用NLPCC-ICCPOL 2016提供的数据集和多关系数据集NLPCC_MH进行对比实验,结果表明,本文提出的方法不仅能够支持单一关系问答,也能支持多关系问答,同时还能兼容选择型疑问句。