知识库问答系统能通过将自然语言问句解析为逻辑表达式的方法来降低用户获取知识库中内容的难度。语义解析是知识库问答系统的核心内容,它负责将自然语言问句解析为查询。然而,提高语义解析的有效性是非常困难的。首先,知识库中内容庞杂,包含各种主题的知识,如果在语义解析过程中考虑整个知识库可能会导致巨大的时间代价。其次,不同知识库中包含的数据有显著差异,如果使用统计信息的方法,就需要不停的维护统计数据,很难做到统计数据的实时更新。最后,在捕获问句中包含的完整查询意图和知识库语义限制性之间寻找到一个合适的平衡点也是一个难点。由于知识库本身的知识限制,常常导致问答系统无法成功映射到实体和关系。为了降低知识库语义限制性在问答系统中的作用,本文提出一种基于数据驱动的语义解析框架,它在对问句解析的过程中充分考虑了知识库本身的语义限制性,即数据结构特点和内容特点。首先,本文设计了一种基于语义查询图的语义解析方法来捕获问句中可靠的查询意图。其次,本文提出了一种基于孪生神经网络的模型,通过这个模型可以将问句和查询映射为向量并计算他们之间的相似度,从而量化转换过程的语义损失。最后,本文设计了一个基于数据驱动的语义补全方法,根据知识库和语义损失的程度对语义查询图进行扩展补全。通过在多个标准测试集上的实验发现,本文提出的方法不仅大大提高了现有知识库问答系统的有效性,而且可以高效处理复杂问句,效率也非常高,尤其是对真实世界的问题和复杂问句的处理表现出优越的性能。