知识图谱是从大量事实中提取出来的。它大致分为两类,一类是从维基百科等知识库中提取的实体及其之间的联系;另一类是从大量页面中抽取的具有实体关系的三元组,这样的三元组内容更加丰富,也使得噪音较多。随着这些知识图谱的出现,人们开始利用有效的方法来获取知识图谱中的大量有价值的内容。为此,人们提出了许多查询语言。但是,这些语言中的语法不易被人们理解,因此,提出了许多基于知识图谱的问题回答算法。在人工智能领域里,基于知识图谱的问答将知识图谱作为回答人类问题的关键要素。这是一种良好的解决问题的办法,对人工智能发展起到了推进作用。基于知识图谱的问答任务有两条主要的研究路线:第一种是语义解析方法,就是将问题映射到其逻辑形式上,然后转换为结构化查询;另一种是基于神经网络的方法,这类方法同样也有两个分支,即为管道框架和端到端框架。本文主要研究的是处理单关系问题的管道框架。与端到端框架不同,管道框架的每个模块之间紧密连接,中间应用了许多深度学习框架。该框架需要各个模块均得到最优的结果,才能保证最终结果优于其他算法。管道框架的整体结构如下:(1)用于识别问题中实体提及的实体检测模块;(2)用于在知识图谱中生成问题指向的实体候选的实体链接模块;(3)用于测量问题与关系候选之间语义相似性的关系检测模块。在实体检测模块中,给定一个问题,实体检测的目标是识别提及范围中的连续标记,该标记涉及的是问题中的主题实体。本文使用的是最常用的BiGRU-CRF模型来进行标记实体。并用特殊符号进行实体替换,将问题转换为问题模式。在实体链接模块中,本文在传统的字符串匹配算法的基础上,添加了多标签分类模型,得到本文中新算法——基于问题模式分类的实体链接算法。在关系检测模块中,本文提出了一种检测模型——基于注意力的问题模式关系匹配模型进行关系检测,该模型涉及两个级别的关系编码,分别是单词级别和关系级别。本文在SimpleQuestions数据集上进行的验证实验。实验结果(80.80%)表明,与以往的方法相比,本文实现的管道框架是可行有效的。对于实体检测模块,本文使用了四种模型,结果(97.41%)表明BiGRU-CRF模型能够获得较高的准确率。对于实体链接模块,本文提出基于问题模式分类的实体链接算法同样是有效的,很大程度上优于基于传统字符串匹配的方法,并且具备普遍性。对实体检测模块,本文采用的基于注意力的问题模式关系匹配模型准确率同样较高。