随着我国教育体系的不断完善,学生在完成高中学业后进入本专科院校接受高等教育的比例不断扩大,在规划自己的升学路径时需要综合考虑院校情况、地理位置、专业情况、特殊政策等一系列问题。由于我国高等院校众多,开设的专业非常全面,因此升学相关的信息量非常庞大,大部分考生和家长会通过搜索引擎、填报手册、人工咨询等方式获取信息,但是通过这些传统的方式获取升学信息存在着搜索精度不高,信息不全面,咨询成本较高、等待时间较长的问题。而高中升学规划智能问答系统可以了解用户的意图,更加快速、准确地返回问题答案,更方便、高效地为考生和家长提供升学相关的信息,弥补当前依靠传统方式搜集升学信息中存在的问题。本文根据高中升学领域既存在大量院校相关、专业相关的结构化信息,又存在特殊政策、领域专有名词等数据量较少且易发生变化的离散化信息的特点,在数据存储上采取了知识库存储和问题答案对存储相结合的方式,并依此设计了基于知识图谱与基于常见问题问答相结合的方式实现高中升学规划领域智能问答系统,研究与问答系统准确率密切相关的词向量与文本分类两个关键技术,主要研究内容如下:（1）针对训练词向量的语料来源于结构化网站,实体表达较为规范,而升学规划场景下存在较多简写实体,导致训练的词向量不能有效表征简写实体,影响实体识别的准确率,提出一种基于Lexicon-CBOW的词向量模型。通过在给定中心词预测目标词的基础上,引入实体标签信息,对有标签的字进一步进行分词细化标签,带标签的字在作为上下文时会进行全标签遮掩操作与部分标签遮掩操作,从而模拟简写的实际情况。用词向量表征问句输入命名实体识别模型进行实体识别,实验结果表明,本方法能够有效提高简写实体识别的准确率。（2）针对基于深度学习的文本分类模型,在问答场景下,由于文本过短导致提取的特征不足且对提取的特征未进一步利用的情况,提出从网络的结构与注意力机制两个方面进行特征增强的策略。结构方面利用双向长短期神经网络和卷积网络分别提取句子的全局信息与局部信息,丰富提取的特征量,以及增加协损失层协调异构网络提取的特征;注意力机制方面将对分类结果有重要影响的关键词训练成为关键词向量,作为外源特征加入注意力机制的查询向量。实验表明,以上策略能够有效提高短文本分类的准确率。（3）本文基于以上研究内容构建了高中升学规划智能问答系统。该系统以图数据库和文件分别存储结构化数据和离散化数据,并利用前端界面实现用户交互,能够向用户提供高中升学方面的自助查询服务。