快速而有效地从海量互联网数据中获取有价值的信息,并利用这些信息扩充知识图谱已成为当前知识图谱构建过程中的热点问题。然而互联网数据不仅包含着结构松散、内容简单的短文本、而且包含规模庞大、内容复杂的长文本。针对包含长文本和短文本的混合文本,本文提出了一种面向混合文本的实体链接模型,并基于上述模型,设计实现了一个完整的实体链接系统。该模型由预训练、实体指称识别、候选实体生成、候选实体消歧、不可链对象处理五个模块构成。本文主要针对现有的实体链接方法做了以下几个方面的改进:（1）为了增强实体识别的准确率,本文提出了一种结合双向长短期记忆网络-条件随机场（Bi LSTM-CRF）和ERNIE预训练模型的实体识别算法,不但提升了Bi LSTMCRF模型语义表示能力,而且增强了ERNIE模型的特征学习能力。（2）针对当前实体链接算法无法兼顾混合文本中短文本和长文本的消歧效率,本文利用单实体消歧和多实体消歧的互补性,提出了一种融合单实体消歧与多实体消歧的三段式实体消歧方法。在单实体消歧阶段,引入双向变形编码器（BERT）改进了上下文相似度特征并融合多种消歧特征;在多实体消歧阶段,融合单实体消歧多种局部特征,并利用实体指称间的关联关系构建指称实体图,进而改进重启随机游走（RWR）算法,最后通过联合前两段的消歧结果,得到最终的实体消歧结果。（3）为了对三段式实体消歧方法的消歧结果进行过滤,利用不可链对象处理确定不可链对象和可链接的目标实体,进而完成最终的实体链接。本文通过与CRF、Bi LSTM-CRF、BERT+Bi LSTM-CRF算法的实验对比,证明了本文提出的ERNIE+Bi LSTM-CRF算法有更好的效果。候选实体消歧阶段分为单实体消歧的局部相似度特征选取实验、多实体消歧的基于图的算法对比实验以及联合消歧阶段实验三个实验,并在本文构建混合文本数据集上进行验证,表明本方法相较于传统的实体链接算法,在精确率、召回率以及F1上都有一定的提升。最终通过不可链阈值判定实验选定不可链阈值,进一提升了实体链接的效果。