知识库问答是利用知识库中的结构化知识,对自然语言问题给出相应答案。近些年如Freebase、DBpedia等大规模通用知识库的出现,为知识库问答研究提供了丰富的知识来源,与此同时深度表示学习技术的应用也为知识库问答研究带来了转折和契机,改善了传统知识库问答方法过多依赖语义学知识,以及人工进行规则构建等问题。本文研究便在上述背景之下,采用了一种基于表示学习改进传统信息抽取的答案获取方法和一种融合了知识表示学习的答案获取方法,进一步提升了知识库问答中答案获取的准确率。具体研究内容如下:1.表示学习改进传统信息抽取的答案获取方法。该方法在传统信息抽取方法的思想基础上结合到表示学习技术和动态记忆网络模型完成答案的获取。首先对问句进行命名实体识别获取问题中心词,将中心词通过实体链接到知识库中对应的实体,在知识库中查询以该实体为中心的知识库子图,将子图中的实体和关系作为问题候选答案集。与传统信息抽取方法不同的是,本文改进后的方法接下来结合到词嵌入表示技术和动态记忆网络模型进行最终答案的确定。通过输入模块结合到词向量,得到问题及知识库子图中知识三元组的特征向量表示;再经记忆模块进行多轮记忆迭代,每轮迭代中利用注意力机制对输入的三元组知识向量进行权重计算,再由记忆更新机制生成新记忆;最后答案获取模块结合记忆模块的输出和问题向量确定问题答案。该方法主要克服了传统信息抽取方法过度依赖语义学知识和特征工程的缺陷,并进一步提高了答案获取的准确率。2.融合知识库表示学习的答案获取方法。该方法主要针对单一事实类的简单问题,通过命名实体识别、实体链接和关系识别步骤获取问题对应到知识库中的实体0)₄)和关系₅)。融合TransE、TransR和TransH知识库表示学习模型的结果,通过问句中的实体0)₄)和关系₅)进行链接预测,得到问题的候选答案集合及其初始排名,再结合候选答案与问句的语义相关度进行综合排名,返回最终排名第一的作为问题答案。该方法充分利用了知识库中实体和关系的结构信息,并结合语义相关性分析,显著的提高了单一事实简单问题的答案获取准确率。本文将上述两个答案获取方法分别在NLPCC KBQA与SimpleQuestion公开数据集上展开实验,通过多个指标和对比实验来衡量模型的效果,并将本文实验结果与其它方法在对应公开数据集上的准确率得分进行对比,进一步证明了本文两种答案获取模型的优越性。