知识的本质是互联,只有基于互联的知识才能发挥数据集成的指数效应,才能体现出大数据的语义价值,知识图谱的出现为语义信息检索提供了更精确的表达方式,近年来也作为智能问答领域的基础设施得到广泛应用。将网上知识结构化,构造方便语义信息提取的知识图谱,并基于知识图谱进行自动问答研究,是现在的热点之一。基于知识图谱的问答算法,它的核心是如何正确解析用户问题的语义,并在庞大的知识库中找到准确的答案。本文针对基于知识图谱问答任务的特点,将整个流程分解为三个关键子任务,分别为实体识别、实体链接和关系检测。在实体识别过程中,考虑到问句本身的特点,针对现有命名实体识别模型语义表征能力不足的问题,本文引入最新的语义模型BERT,提出基于自编码语言模型的主题词识别改进算法,于Simple Questions数据集中取得了95%以上的F1-score,达到了SOTA水准;在实体链接任务中,本文提出了基于实体的流行度得分的贪心搜索算法,提高了模型的鲁棒性和排序准确率,解决了传统方法的非对齐问题。针对关系检测任务,鉴于目前大多数研究方法都是采用向量建模思想将问句和知识图谱中的事实嵌入公共的特征空间,通过余弦相似度计算来找到问句的正确答案。但此类方法在候选主实体的筛选上通常步骤繁琐且往往忽略了问句中主实体与关系的相关性和原始词语之间的关联层次特征。因此本文提出了MHA-SCNN模型,采取RNN和CNN不同的结构特点抽取更全面的语义特征。该模型通过多层Bi LSTM来捕获更深层次的问题表达并进行残差连接,以匹配关系的语义和词义信息,并采用多个注意力机制获取关系更合理的匹配表征。同时,采取CNN相似矩阵来对自然语言词层面进行建模。实验结果表明,本文提出的模型在Free Base知识图谱中能取得显著的效果。同时,本文从金融领域出发,针对数据源采集、实体关系抽取、知识融合等方面探索了领域知识图谱构建方法,并在此基础上自主搭建问答系统,使用传统语义解析的方法在一定程度上实现了精准问答的效果。