知识图谱是问答系统的数据基础,随着数据挖掘、信息采集技术的高速发展,一大批规模庞大、涵盖多个领域的知识图谱开始出现,但是中医领域的知识图谱仍然存在很大的缺口。因为中医的特殊性,开放域的知识图谱无法适用于中医问答任务研究,而现有的中医相关的知识图谱则因为其内容相对单一而无法满足中医问答任务的需求。因此,构建面向中医问答的知识图谱对于提升中医问答任务的问答效果有着重要意义。另一方面,问题表示是决定问答任务性能的关键因素,问题表示的准确性将影响问答任务的最终结果。面对复杂问题,传统的文本表示算法在对问题表示进行学习时,无法很好的捕捉实体之间以及实体关系之间的信息交互,挖掘潜在的文本语义,导致问答任务在复杂问题处理上表现较差。因此,本文中基于深度神经网络对问题表示进行学习以提升复杂问题的问答效果。本文的主要工作内容如下:(1)面向中医问答的知识图谱构建。为了提升中医问答任务的问答效率以及问答效果,本文完成了适用于中医问答任务的知识图谱构建。本文基于垂直类医药网站完成数据收集并进行数据预处理得到格式化的JSON文件,之后通过Python第三方库py2neo实现知识存储完成知识图谱构建,其中包含7种实体类型,规模约4.4万;11种实体关系类型,规模约30万。(2)基于深度神经网络的问题表示算法研究。为了解决问答任务中复杂问题效果差的问题,本文设计实现了基于门控图神经网络的问题语义图表示模型。通过对问题中语义关系的结构进行显示建模得到问题的语义图并利用门控图神经网络对语义图表示进行学习得到语义图表示,可以更好的获取问题中实体之间以及实体关系之间的指向。对比实验中,门控图神经网络模型准确率、召回率以及F1分值分别达到了:0.2386、0.2979以及0.2649,实验结果表明对问题中的语义关系结构进行编码可以提升问答任务中复杂问题的效果。