在这个网络资源膨胀的时代,网络上的数据呈现出数据量大、表达多样和价值密度低等特征,数据的歧义性影响人们对于信息的辨别和理解。为了解决实体的语义歧义问题,实体链接技术被提出,其目标是根据文档中指称的上下文语义信息,链接一个文档的指称到一个知识库的相应实体。为了提高链接的准确率,实体链接方法需要同时考虑指称和候选实体之间的局部兼容性以及与文档中其它实体之间的一致性。本文针对当前大多数实体链接方法在获取指称和候选实体之间的语义信息时,没有揭示注意力的焦点、实体链接准确率有待提高以及实体链接的时间复杂度高的问题,提出基于注意力机制的实体链接方法,主要工作如下:（1）针对实体链接中由于数据稀疏导致语义信息不足、准确率低的问题,本文提出了基于协同注意力和卷积神经网络的实体链接方法（Collaborative Attention and Convolutional Neural Networks based Entity Linking,CACNN-EL）。协同注意力机制识别出指称上下文和候选实体描述中最有用的单词、过滤掉不相关的单词,提高了实体链接的准确率;将CNN多粒度特征和多个先验重要性特征进行融合,获得更多的语义信息,进一步提高了实体链接的准确率;（2）针对实体链接中由于全局推理的搜索空间复杂导致计算成本较高、数据噪音大导致准确率低的问题,本文提出了基于神经注意的动态上下文增强实体链接方法（Neural Attention Dynamic Context Augmentation based Entity Linking,NADCA-EL）。为了减少噪音,本文采取两个措施,一个是对文档中的指称进行排序,另一个是使用神经注意过滤噪音。NADCA-EL实现了实体之间的一致性,从先前已经链接的预测实体和预测实体的邻居实体中累计知识,增强以后的决策。NADCA-EL只需一次遍历所有的指称,降低了实体链接的时间复杂性。本文将局部特征和神经注意的动态上下文增强的全局特征融合后,再用前馈神经网络处理得到指称候选实体的概率得分。NADCA-EL方法实现了在噪音较小的数据集上准确率不降低的同时提高了实体链接的效率。在公开数据集上的实验验证表明,基于注意力机制的实体链接方法实现了准确率不降低的同时提高了实体链接的效率。