知识图谱问答是知识图谱中的一个重要应用,近年来得到人们的广泛关注和研究。特别是针对复杂问题的知识图谱问答,由于问题中的关系和约束信息较多,以及面临知识图谱不完整等问题,都为当前研究带来了很大挑战。本文主要研究复杂问题的知识图谱问答,具体开展了以下工作:（1）知识图谱通常存在不完整的问题,导致问题主题实体和正确答案实体之间缺乏有效关系路径。前人提出使用知识嵌入方法实现链路预测,此类方法仅注重于将问题转化为对应的关系表示实现预测答案实体,而忽略主题实体与预测答案实体之间关系路径包含的语义信息,为此提出一种基于知识嵌入的不完全知识图谱问答方法。该方法先使用候选答案获取模块,根据知识图谱中各实体和关系的结构特征,使用知识嵌入方法,将主题实体转化为对应的向量表示,与问题的向量表示进行计算直接生成多个候选答案实体。然后利用答案选择模块,分别计算若干个得分最高的候选答案实体和主题实体之间最短关系路径同问题的相似度,选择相似度最高的候选答案作为最终的预测结果。在候选答案获取模块中为了能够更好获得问题对应的关系表示,通过添加卷积和自注意力机制,实现对问题中局部和全局的词语之间相互语义关系的有效获取。（2）现有基于信息检索的方法仅考虑主题实体出发的多跳路径与问题语义的相似程度选择答案实体,忽略对跳越次数的限制和问题中所包含约束信息的利用以减小路径的搜索空间,为此提出一种结合多跳检索和知识嵌入的知识图谱问答方法。该方法首先使用多跳检索模块实现由主题实体到候选答案实体的前向检索,然后利用知识嵌入模块实现候选实体到主题实体的反向检索,保留反向检索中预测实体为主题实体的候选答案。在多跳检索模型中,根据复杂问题中包含的多个实体作为约束信息,添加对主题实体调整,以减小搜索空间。同时,在目标函数中添加了限制跳越次数的惩罚项,鼓励模型使用尽可能少的跳越次数预测答案实体。通过使用知识嵌入方法可以利用知识图谱的结构信息对预测的答案实体进行筛选,以提高答案的准确性。实验结果显示,该方法相比已有的仅基于多跳检索模型和基于知识嵌入的知识图谱问答模型,在评价指标Hit@1上具有显著提升。