实体链接作为自然语言处理领域的一项关键技术,旨在将文本中的命名实体指称映射到知识库中具有明确意义的实体上,从而消除自然语言本身存在的歧义,构建从人类理解到机器理解的桥梁。目前主流的研究聚焦于如何利用实体嵌入表示知识库中的实体以及优先选择正确的目标实体。本文在前人工作的基础上,提出了基于图神经网络和语义表示的实体链接模型,研究内容主要分为以下三个方面:（1）提出了一种基于图卷积网络的实体嵌入模型。实体嵌入将实体中高维且稀疏的特征利用稠密的向量表示并尽可能保留原有信息。考虑到现有的实体嵌入模型单独考虑实体的语义信息或者结构信息,本文利用实体的描述文本以及链接关系,将知识库中的实体与重要单词作为节点构建实体关联图,之后利用图卷积网络进行特征提取与融合,从而将实体的结构信息和语义信息融入到实体嵌入中。该模型在相关数据集上取得了很好的表现。（2）提出了融合多粒度语义信息的局部链接模型。局部模型利用命名实体指称与候选实体之间的语义相似度进行链接。考虑到不同上下文对命名实体指称的重要程度不同,本文利用记忆网络,将命名实体指称与上下文进行多轮交互,从而获取命名实体指称的深层次语义表示。同时,针对部分命名实体指称上下文存在语义稀疏的问题,本文提出一种融合篇章级语义信息的实体链接模型。该模型首先利用分层注意力机制构建文本的语义表示,之后利用基于注意力的重读机制重新阅读文本中的重点语句,从而捕获文本的核心语义。实验结果证明了模型的有效性。（3）提出了基于动态图神经网络的全局链接模型。全局模型利用文本中所有命名实体指称对应的目标实体之间的关联性进行链接决策。针对全局模型无法有效利用已经链接好的实体的信息,本文在链接过程中不断将目标实体添加至已链实体集合中,利用动态图神经网络动态地建模实体间的关联性,从而引入潜在的主题信息。之后将融入依赖关系的实体利用序列化模型进行决策。最后,将局部链接模型与全局链接模型相结合,进一步提高模型的链接效果。