知识库是一个包含大量结构化事实知识的数据库,如何以结构化知识库为知识源来回答自然语言问题成为近几年的研究热点。知识库问答通过将自然语言问题转换为逻辑形式的查询,在知识库中执行查询语句得到问题的答案。知识库问答过程包括实体链接、关系链接和查询构建三个步骤,本文主要研究实体链接和关系链接。作为知识库问答的核心组件,实体链接和关系链接通常作为两个独立的任务连接自然语言问题和知识库信息,这样的链接方式忽略了链接过程中产生的信息间的相互影响;在链接过程中分别计算候选实体或者候选关系与问题的相似性,这种方法忽略了整体角度上候选实体词与候选关系词的内在联系信息。由此,提出了一种基于特征联合和多注意力的实体关系联合链接模型,将实体链接和关系链接在同一阶段执行,进行联合实体关系链接。首先采用神经网络模型对问题、实体、关系以及实体关系对进行编码和向量表示学习,然后使用多注意力机制获取候选实体及候选关系在问题中的权重信息以加强候选集信息的表示,最后在计算相似性时加入实体-关系对信息组成的特征序列来联合表示实体词和关系词。此外,为了提高正确候选词的覆盖率,尽量保证正确的消歧对象存在于候选列表中,提出了候选集扩展模型。利用初始关系候选集获得知识图谱中与此关系相关的三元组中的实体节点,然后利用向量的余弦相似性过滤掉相关度不高的实体候选词,得到扩展实体候选集,对扩展实体候选集中的每一个节点,将与其直接相连的关系节点加入到初始关系候选集中,然后利用现有排序算法过滤掉相关度低的关系候选词,得到扩展关系候选集,从而提高链接模型的召回率和正确率。在DBPedia知识库与两个标准数据集上进行了实验,链接正确率和召回率均有所提升,优于最近表现较好的模型,并且通过消融实验,进一步证明该方法的有效性。