基于知识图谱的问答使用知识图谱的三元组事实（主语,关系,宾语）来回答自然语言问句,本文聚焦于面向开放领域知识图谱的简单问答,即该问句可以通过一个三元组事实得到答案。此类问答通常包含两个构件:主语识别和意图预测。经过主语识别和意图预测后,得到了该问句在知识图谱中对应的主语实体和关系,组成查询模式（主语,关系,?）,查询知识图谱得到答案。现有的方法在主语识别和意图预测中都各自存在一些问题。在主语识别中,现有的方法忽略了知识图谱中实体信息的完整性,特别是忽略实体的类型属性,很容易导致实体混淆问题,即由于知识图谱中多个实体拥有相同的名称而使得问句中的主语不能够链接到知识图谱中正确的实体上。此外,在构建实体候选集的时候,现有的方法不能兼顾准确性与候选集的规模,降低了实体与问句匹配的正确率。在意图预测中,现有的使用深度学习的方法依赖于大规模的问答数据集,而由于成本的问题,现有的大规模的数据集很少被公开使用。另外,现有的方法在测试阶段时无法很好地回答在训练阶段未遇到的问句。针对主语识别和意图预测中存在的问题,本文进行了相关的研究。论文的主要研究内容包括:（1）在主语识别中,结合序列标注模型对主语实体进行扩展,创建了一个兼顾规模与准确率的候选实体集;针对实体混淆问题,提出了一种对实体的类型和名称属性进行多层次编码的神经网络模型,利用类型信息来区别拥有相同名称属性的不同实体。（2）在意图预测中,在测试阶段通过使用反馈实现持续学习不断提升准确率,摆脱了对大规模数据集的依赖;此外,设计了三种问句与关系的匹配方法,能够很好的处理在训练阶段没有遇到的新问句。（3）根据以上研究内容,开发了一个准确率较高的原型问答系统。实验结果表明:在主语识别中,本文提出的方法比当前先进方法的准确率提升了3.2%;在意图预测中,本方法能在规模较小的数据集下达到较高的准确率。这说明了本研究对解决上述问题的有效性。