随着知识图谱技术的发展与成熟,其作为一个结构化的知识库被应用到各个领域,尤其是在基于知识库的问答领域。知识库问答是其接受一个自然语言式的问句并经过语义理解后结合知识库返回答案,不同于传统基于关键字的检索式问答,知识库问答直接给出精准答案,不需要用户进行二次查找或推理,使答案获取方式更加简单高效。然而,目前知识库问答的整体准确率不高,其主要原因包括两点:实体名拼写不规范、问句上下文信息不足和知识库中实体描述信息缺失,导致实体链接错误率较高;问句的语义和结构错综复杂以及关系数量庞大,导致关系预测准确率较低。针对上述问题,本文开展了深入研究,具体工作与成果如下:（1）针对实体链接中实体名拼写不规范、问句上下文信息不足和知识库中实体描述信息缺失的问题,本文提出了一种多维度匹配的实体链接模型（Entity linking of multidimensional matching,MDM-EL）。MDM-EL模型首先进行字符串维度匹配,该维度将实体候选集调整为合理的大小;然后进行统计维度匹配,该维度利用实体显著性完成初步实体候选集的排序;最后进行实体属性维度匹配,该维度利用实体属性信息完成排序结果的修正,最终排名最高的实体即为实体链接的结果。实验结果表明,该模型在Simple Questions数据集上准确率达到了83.43%,高于近年来的state-of-the-art实体链接方法。（2）针对关系预测中复杂问句的语义抽取困难的问题,本文提出了一种基于自注意力机制的层次语义抽取关系预测模型（Self-attention based Hierarchical semantic extraction network,SA-Hse Net）。该模型采用编码器与解码器框架实现,是信息抽取与深度学习的结合。模型中编码器负责问句语义特征的编码,解码器负责关系语义的解码。为了加强模型的语义抽取能力,编码器将问句的语义特征分为局部浅层语义和全局抽象语义两个层次,同时为了突出两个层次的关键语义信息,分别采用自注意力机制和交叉注意力机制完成问句的编码。实验结果表明,该模型在Simple Questions数据集上的准确率达到了93.36%,且在时间性能上表现优异。（3）针对关系预测中原始关系集合数量庞大的问题,本文提出了一种关系限制子图法。该方法利用关系限制子图提取原始关系集合中的有效关系,形成有效关系集合,再从有效关系集合中筛选出关系。实验结果表明,该方法能将SA-Hse Net模型的关系预测准确率提高3%左右。本文提出的MDM-EL模型降低了实体链接的错误率,保证了答案主题的正确性。其次,SA-Hse Net模型和关系限制子图法提升了关系预测的准确率,保证了答案推理的正确性,同时SA-Hse Net模型在时间性能上表现优异,保证了知识库问答的实时性。将上述模型和方法应用到具体的知识库问答系统中,能为用户提供更精准的答案。