随着智能化时代的到来,智能问答逐渐成为了传统信息访问方式的一种重要补充。近年来,基于知识库的问答系统（KBQA）在自然语言处理领域中吸引了大量研究者的兴趣,并得到了广泛的关注。随着问答系统的发展与创新,人们希望能利用大规模的知识库来自动回答与多个事实相关、更为复杂的问题,简称为复杂事实性问题。这类问题由于问题的实体涉及多个,并与多个事实相关联,且需要多次跳转推理,因此处理起来难度更大。即使基于知识图谱的问答系统领域的研究已经取得了显著的进展,然而现有的问答系统由于自然语言和知识图谱的复杂性和多样性,在处理复杂事实性问答中也很难捕获其隐含的复杂关系和特征。因此,如何设计一个能够回答丰富的复杂事实性题型问答系统成为当前重要且现实的问题。本文主要聚焦在复杂事实性问题上,而复杂事实性问题主要可以分为路径问题与联合问题。回答复杂事实性问题主要面临两个难点:首先,这些问题通常涉及多个实体,这带来了初始状态的不确定性,导致难以定位问题的初始状态;其次,一些复杂的事实性问题需要知识库中两个（或更多）相关子路径的交叉,往往需要反复探索路径推理、匹配和组合。这使得候选子路径的组合过多阻碍了对正确答案的有效推理。为了解决上述的问题,本论文引入了知识元模体以及面向复杂事实性问题的系列方法。论文的主要工作和贡献是:（1）与传统的基于路径的匹配和推理策略不同,本文引入了知识元模体作为语义表示、推理和匹配的基本成分,知识元模体有以下两个优点:（1）多个实体可以被知识元模体所包含,（2）子路径的交集可以自然地被逐个知识元模体的推理所编码。换句话说,知识元模体涉及特定的子结构,能够编码更高级别的语义。在知识表示学习Trans E模型的启发下,本文提出了一个灵活的基于trans E的嵌入模块,以结合实体关系内容和结构来构建知识元模体。（2）本文提出了一个基于知识元模体表示的有监督问答方法,用于回答复杂的事实性问题,其主要工作是:针对给出的自然语言问题,并根据其问题中的实体的关系内容与结构,利用基于trans E的嵌入模块构建成知识元模体并将其表示。在此基础上,通过与问题的相似度计算,筛选与问题相符的知识元模体,同时该模型还包含了一个学习框架通过正负样本的学习来更新其参数,从而有效的进行匹配回答。但是该有监督模型未充分利用知识元模体推理能力的问题,本文基于此模型做出了优化并提出了一个基于知识元模体表示的记忆网络（Motif-based Memory Networks）,该模型扩展了一个记忆网络用于知识推理和匹配,以促进知识元模体表示和自然语言问题的匹配后进行联合学习,最后其匹配的答案将作为问题的答案。（3）通过Path Question,World Cup2014,SPACES-C这三个数据集的实验的结果表明,与现有的相关知识图谱问答方法相比,本论文提出的算法可以切实有效地回答复杂事实性问题。