随着信息技术的不断发展,人们从互联网上获取知识的需求也不断增加。传统上被广泛使用的信息检索系统需要用户从若干篇排序的网页中,理解并找到答案,这无疑会耗费一定时间。知识图谱技术可以将海量的知识存储为便于计算机理解和存储的结构化形式,为智能问答、药物发现等上层应用提供了基础。而基于知识图谱的智能问答则可以直接对用户的查询进行解析,将查询中的语义转化为逻辑语言,在知识图谱中检索并返回答案。开放域知识图谱问答是受到广泛研究的一类任务,其基于非限定领域的大规模知识图谱,可以回答海量的问题。然而,由于人工标注与知识图谱中关系的规模相当的训练数据是不现实的,因此该任务存在着难以预测出训练数据不涉及的关系的问题,这制约着在实际应用场景中的性能。因此,本文提出基于预训练的语言模型来缓解不可见关系预测的问题。在两个数据集上的实验表明,本文方法不但提高了对不可见关系预测的能力,进一步提升了知识图谱问答的表现。同时,本文方法对于知识图谱中涉及知识较少的稀疏关系,依然能够保持泛化性。医学的知识图谱搭建也受到了广泛关注。垂直领域的知识图谱可以设计复杂的知识结构,更便于为特定领域的上层应用提供服务。现有存在的中文知识图谱通常开源性较差,并且部分存在覆盖知识面较窄的问题。因此,本文基于完全开源的中文医学知识图谱,分别采用百科网站的人工知识和自动化知识抽取技术抽取对其进行完善,使其更适合用于医学的知识图谱问答。其中,针对现有知识抽取技术存在的一些问题,本文还提出了一个从医学文本中联合抽取实体和关系的方法,并验证了该方法的有效性。医学知识图谱问答是典型的基于医学知识图谱的上层应用。考虑到医学领域问答系统对准确率有着高于召回率的需求的特点,本文提出使用两阶段的方式进行关系预测。具体来说,先使用关键词来匹配典型的问题表达,保证准确率;再对无法匹配到关键字的问题使用基于神经网络的分类模型进行关系分类,提高泛化能力。同时,本文沿用了现有工作基于模式匹配进行实体链接的方式,保证对医学实体链接的准确度。最终,本文搭建了一个可以同时回答事实类问题和是否类问题的问答系统,并将其封装成网页端的应用。