知识图谱是组织和管理海量数据的有效方式。基于知识图谱的自动问答系统是一种允许用户以自然语言的形式给出问句,将问句进行分析处理后通过查询知识图谱得到精准答案的技术。现阶段要实现一个高效、精准的问答系统还面临着很多挑战,如自然语言形式的问句和结构化的知识表示间存在着巨大的语义鸿沟问题,再如对于一个问句可以有多种不同理解方式,使得问答结果不够精准。目前实现知识图谱问答的主流思路是将问答分为两个子任务,分别为实体抽取和关系检测。文中针对这两个任务分别提出了基于LSTM模型的实体抽取算法和基于深度学习的WRL-BiLSTM关系检测算法。具体内容如下:(1)基于LSTM模型的实体抽取算法旨在通过LSTM模型判断问句中的每个单词是否属于实体的组成部分。问句经过单词表示层、特征提取层、结论推断层最终输出的结果为问句中每个单词的类别信息。之后通过启发式方法对模型输出的结果进一步拓展,以此得到问句中的实体名称。最后在SimpleQuestions数据集上进行实验对比,结果表明通过此算法可以显著提高实体抽取任务的召回率。(2)基于深度学习的WRL-BiLSTM关系检测算法,通过融合问句与关系间的语义级匹配和文字级匹配,使得模型可以捕获问句与关系间的高级语义信息的同时又可以捕获语义细节上的变化。通过在SimpleQuestions数据集上进行的实验对比结果表明,基于以上两种匹配模式所提取的特征有助于提高关系检测任务的准确率。最后综合实体抽取任务和关系检测任务的结果,在Freebase知识图谱上进行查询,得到最终问句答案预测结果,并与现有的问答模型对比,其结果的准确率有显著的提升。该论文有图17幅,表14个,参考文献61篇。