随着电子商务的快速普及,客户对服务的感知越来越敏感,也越来越挑剔,随之而来对客户服务质量提出了更高要求,并已成为线上商家核心竞争力的重要组成部分。近年来,针对传统电商平台人工客户服务方式存在的人工成本高、信息传递效率低、服务质量和能力难以统一掌控、用户体验差等问题,基于人工智能技术而研发的各类智能问答系统应运而生,并已被广泛应用于各大电商平台,同时如何不断提升其服务效能也已成为该领域的研究热点问题。智能问答系统作为人机交互的核心技术之一,尽管业界在智能问答领域已经取得了令人瞩目的成就,但是智能问答系统还远未完美,在知识获取和对用户问句理解等核心技术方面仍有很大的改善空间。在电商领域,面对中文表达的弱语法性和多样性,如何利用海量商品网购评论信息,抽取并构建可用于智能问答系统的知识体系依然面临着较大挑战,亟需开展进一步深入研究。基于上述背景,本文以手机这一特定商品为例,围绕基于网购评论的电商平台知识图谱构建与智能问答关键技术开展了相关研究,主要研究内容和研究成果如下:（1）在知识图谱命名实体抽取研究方面,针对中文网购评论文本中命名实体存在的多义性和实体边界预测容易发生错误等问题,提出了一种基于跨度预测的网购评论命名实体识别模型BERT-Bi SPAN。该模型首先利用BERT预训练模型生成结合上下文信息的动态词向量,并将其输出分别编码到不同的隐藏空间得到实体的头尾序列,然后通过对头尾序列进行二次编码和交互以实现语义信息共享,最后对其解码得到实体头尾位置的标签序列。实验结果表明,该模型不仅可以解决中文字的多义性问题,同时还可以有效提升实体边界的预测能力。（2）在知识图谱命名实体关系抽取研究方面,为使关系抽取模型可以利用输入层获得更多的实体信息,提出了一种基于BERT改进的命名实体关系抽取模型。该模型首先通过对BERT的输入序列进行改进,实现了实体自身信息、实体位置信息和实体类型信息的融合输入。在此基础上,通过将BERT输出的句向量与两实体的向量进行有效拼接进而得到两个实体的关系分类。实验结果表明,该模型更有助于提升实体关系的抽取质量。（3）在基于网购评论情感计算获取知识图谱的问句答案研究方面,针对网购评论命名实体情感表达方式具有领域依赖性特点,通过改进传统BERT微调方式,提出了一种基于Prompt Learning的网购评论命名实体情感极性分类方法。该方法首先使用网购评论语料预训练BERT得到与领域相适应的BERT预训练模型。然后,通过利用人工设计适用于该任务的Prompt模板,将命名实体情感分类任务进一步转化为预训练模型的训练任务。实验结果表明,该方法可以使BERT更好的利用其所学习到的领域知识来完成网购评论命名实体的情感极性分类任务。（4）在网购商品知识图谱构建与在线问答研究方面,基于前述研究成果,分别提出了基于Neo4j图数据库的知识图谱构建方法、问句解析方法和答案生成与动态更新方法。通过在初步实现的原型系统上开展系统验证,表明本文所提出方法具有可行性和有效性,可以较好的满足电商平台关于问答系统准确性及响应速度的系统建设目标要求。