随着互联网的快速发展,可用信息量呈指数级增长,互联网已成为人们获取信息的重要途径。虽然当前的搜索引擎可以较好地帮助用户在互联网中搜索信息,但是也会返回大量与用户需求不相关的结果。基于知识库的自动问答系统指的是针对给出的自然语言形式问题,通过利用自然语言处理技术在结构化知识库中进行查询、推理、匹配得到相应答案。知识库问答系统不仅可以为用户提供支持自然语言的友好人机交互方式,还可以精准并高效地帮助用户获取到有效的信息。因而知识库问答是自然语言处理和信息检索领域重要的研究方向。传统基于符号的知识库问答方法往往难以解决文本的语义鸿沟问题,基于向量空间建模的方法试图用向量的形式解决该问题,但该方法仅涉及浅层的语义表示。此外,与英文相比,中文的语法结构和表述形式更为复杂和多变,所以中文知识库问答的研究面临着更大的挑战。针对以上情况,本文主要研究基于深度神经网络的文本语义学习与匹配,然后将其应用于知识库问答中,即将问答的过程视为问句与知识库语义表示的学习和匹配过程。主要研究内容如下:(1)针对文本语义的学习和匹配,提出一种带注意力机制的长短时记忆网络的文本语义匹配方法。该方法首先使用长短时记忆网络和注意力机制对文本进行深度语义表征和学习,然后通过三种不同的池化机制从不同的角度将文本语义矩阵聚合成语义向量,最后将文本对的语义向量锐化后传入分类器中得到语义匹配结果,该方法明显地提高了文本语义匹配的准确性。(2)针对问句的实体链指,设计实现一种基于知识库的二分类方法。为了使该任务简单化,首先通过知识库找到对应问句的候选实体,然后通过特征工程提取候选实体的特征,并构建二分类模型,最后根据模型的预测得分排序选出得分最高者,该方法简单高效地解决了知识库问答中的问句实体链指任务。(3)基于深度文本语义匹配方法和实体链指技术,本文将其应用于知识库问答。首先通过实体链指技术识别问句的实体,进而在知识库中找到相关候选答案,然后使用深度神经网络学习问句与候选答案信息的语义表示,并根据它们的语义匹配结果选出最佳答案。该方法可以较好地解决传统知识库问答方法中存在的语义鸿沟问题,从而提高问答的准确率。此外,本文采用模型融合方法进一步提升了知识库问答的准确率。