越来越多的知识被人们以结构化的方式存储在计算机中,形成了众多大规模的知识库。充分利用这些知识库来回答自然语言问题是一个非常具有挑战性的重要任务。虽然现有的知识库问答系统通过对问题和知识库进行建模,能够找到问题与相关知识的内在联系,但是它们大都对语义学知识和特征工程过于依赖,因此很难被迁移到规模较大的知识库上。本文结合向量建模思想与记忆网络的记忆存取技术,提出了一种拥有层次化结构的记忆网络。首先,我们通过训练TransE模型以得到知识库中所有实体和关系的特征向量,接着利用这些特征向量以及知识库泛化模块来分别初始化各层子网络中的记忆模块。待记忆模块初始化完成,问题输入模块即可通过处理问题获得其在各层记忆上的分布概率,策略模块则可以根据这些概率在记忆模块中查询,找到最相关的支撑记忆,并交由回答模块处理以得到最终的答案。本文通过对记忆模块以及向量映射任务进行分层,不仅增加了记忆模型的容量,还提升了问答模型的准确率,非常适合用于存储和查询大规模的知识库。本文分别在WebQuestions和SimpleQuestions这两个数据集上展开实验,并与其他知识库问答模型在F1-score以及准确率等方面进行了充分的对比。结果表明,本文提出的层次记忆网络模型在不依赖语义学知识和特征工程的前提下,不管是在小规模还是大规模的知识库上,都能够取得比现有的模型更好的结果。