随着互联网时代的发展,人们在生活中会使用到很多软件产品。各种网站的用户量都有了较大的增长,人们在使用过程中产生了庞大的web文本信息。在大量的web文本信息中可能会有一些很有价值的信息。由于不同的人有不同的写作风格,同一种意思有不同的表达方式;并且自然语言也是多样化的,因此在文本数据中经常出现一词多义的现象。机器处理大量的文本数据时,歧义词是机器对自然语言理解的一个阻碍。对于词义消歧这一问题,不少研究者尝试使用不同的数据源和算法。本文主要解决在文本中出现的一词多义的现象。使用维基百科数据作为知识库,根据歧义词以及上下文信息,从知识库中找到实体对歧义词进行解释。在解决一词多义的问题上,本文主要提出一种将多种算法集成训练的模型。在本文的实体链接方法中,主要是使用提及词、提及词上下文和提及词文档信息来生成提及词的表示向量。实体表示向量的生成主要使用实体名称以及实体文档信息。在实体链接中,通过衡量提及词表示向量和实体表示向量之间的相似度来完成实体链接任务。本文中在衡量文本的相似度时,实验使用编辑距离算法和向量空间模型。由于向量空间模型的维度太大,数据比较稀疏。接着使用聚类模型对文本数据进行聚类。主要使用了k-means算法和凝聚层次聚类算法。使用聚类模型降低了提及词表示向量和实体表示向量的维度。聚类模型在一定程度上提高了实验模型。对文本进行聚类,不仅解决了数据稀疏的问题,在一定程度上得到了文本基于类别的表示。本文最后使用神经网络的方法,并将前面的方法结合到一起,使用不同粒度的提及相关信息。本文使用doc2vec和word2vec模型分别对文档和词向量化。从模型的测试结果来看,使多种方法和使用不同粒度提及词信息可以在一定程度上提升实体链接模型。