实体链接是将自然语言中代表实体的字符串与知识库中相应实体对应起来的工作。在网络数据日渐丰富,日常生活与互联网联系日益紧密的今天,实体链接是理解和处理互联网信息的重要任务。实体链接任务的困难之处在于,同一实体可能有多种出现形式,同一指称所代表的实体也可能有多个。在现有的研究中,实体链接系统多使用词形、名词共现等表层特征,准确率已经到达瓶颈。使用深度学习理解文本的深层特征有望突破这一瓶颈。现有的实体-单词共同训练嵌入表达的方法一次训练数据庞大,无法灵活地扩展实体集合,生成的实体向量表示与单词向量表示紧耦合,与其他嵌入表示研究方法脱节。本文提出实体增量嵌入方法,在已有的词向量和语言模型的基础上扩展模型以训练实体的嵌入表示。特别设计了扩展模型的初始值设置算法和训练方法,使得模型收敛成为可能。针对实体链接任务设计了基于实体嵌入的候选排序方法和组合模型候选排序方法。在TAC2010测试集上的实验结果表明,实体增量嵌入方法可行有效,得到了高质量的实体嵌入表示,并且能满足小批量、多次增量嵌入的要求。基于实体嵌入的候选排序方法和组合模型候选排序方法准确率分别达到80%和82.8%,均接近同类排序方法的先进水平。