知识库问答融合了自然语言处理的核心技术,旨在利用知识库中的三元组回答用户的自然语言问句,现已逐渐成为人机交互的新趋势。面对大规模知识库,自动问答技术提供了一种高效、准确的信息获取方式与途径。近年来,国内外开始涌现一些大规模的知识库,如国外的Freebase、DBpedia,以及国内由NLPCC在2016年在KBQA评测任务下提供的开放域中文知识库等等,它们都提供了大量数据基础,使得基于大规模的知识库自动问答再次成为NLP领域里学者们研究的热点。基于知识库的自动问答是以知识库的三元组为中心,涉及的自然语言技术有命名实体识别、关系抽取、实体链接、实体消歧、答案检索等,通过分析问题和检索知识库得到答案。然而,由于知识库领域的差异、规模的庞大等问题,知识库问答一直面临着挑战。目前的知识库问答主要着眼于问题解析和三元组匹配,以此为基础进行答案检索。然而传统方法容易忽略不同匹配子任务之间的关联,比如问题解析中的实体抽取和关系抽取,使得出现任务间孤立和冗余信息传播等问题。此外,由于大规模数据的标注情况不佳,低频词以及未登录关系对模型的泛化性能也会产生影响。本文选择用深度神经网络建立联合模型对此类问题进行改进。本文将知识库问答任务分解为三个子步骤:问题解析、实体链接和消歧、答案检索。基于上述基础,本文的主要工作包括如下几个方面:1.提出了一种基于自注意力机制的联合抽取模型Joint E-SA。问题解析是知识库问答的首要步骤,本文将问题解析分为两个子任务:实体识别和关系抽取。鉴于以往的管道抽取采用先抽取实体,再抽取关系的方式,但是往往忽略了实体和关系间的联系,同时导致实体抽取时产生的错误或冗余信息影响关系抽取的结果;而联合抽取更加关注子任务之间的联系,通过共享底层等方式,在多任务学习的基础上建立实体关系联合抽取。NLPCC的问答数据集上,取得了80.2的F1值。2.实现了一个端到端的中文知识库问答模型Joint-KBQA。利用实体链接,负采样等技术对实体和关系数据进行处理,建立实体映射字典和关系的负样本训练集,并对联合模型进行训练。实体识别时,主要是识别实体的边界;而关系抽取时,将关系抽取看作是一个二分类任务。实验结果证明了本文模型的有效性,平均F1值达到83.7,高于NLPCC官方发布的评测榜首的问答系统平均F1值。3.首次将实体关系联合抽取的方法应用于大规模中文数据集NLPCC-KBQA。并且问答系统平均F1达到83.7,高于此数据集上已发表的其他自动问答系统。另外,相较于模型应用较多的英文数据集,本文提供了中文问答模型的设计思路和实现方法,具有现实意义。