人们对获取信息的便捷性要求随着信息的急剧增长而提高。不同于传统搜索引擎需要用户提炼关键字并从返回结果中筛选信息,知识库问答系统能够根据用户的自然语言输入返回精确简洁的答案,节省了用户的时间和精力。知识库问答包含答案监督和查询监督两种任务。前者不依赖于查询标注,能够加速应用的实现,其中结合一些规则进行查询图生成的方法能够在弱监督前提下处理复杂问题。后者在查询标注的监督下训练问题到查询的自动转换模型,其中自动生成查询图的方法能够在不依赖于人工规则的前提下取得较好的结果并具有较好的可移植性。因此,基于查询图生成的知识库问答研究具有重要的意义。现有答案监督的查询图生成方法在排序阶段忽略了查询图的结构信息。查询监督的查询图生成方法在编码阶段忽略了输入话语的句法信息。本文针对上述问题展开了一系列工作,主要内容包括:针对答案监督的查询图生成方法中结构信息被排序模型忽略的问题,本文构建了基于特征排列的查询图生成方法。该方法引入Tree-LSTM编码查询图的结构特征,与预训练模型BERT提取的相似度特征以及其它手工特征一起进行查询图排序。基于特征排列的查询图生成方法,在两个常用的英文公开问答数据集的平均F1值上,比最好的对比方法分别高出0.8%和0.1%,其中结构编码贡献0.3%和0.2%。实验结果验证了结构编码和整个模型的有效性。针对查询监督的查询图生成方法中输入话语的句法信息被编码器忽略的问题,本文设计了基于编码器-解码器框架的查询图自动生成模型,模型采用Bi-LSTM编码词嵌入和词性标注信息,使用图神经网络编码依存树信息和依存标签信息。在两个公开英文数据集上的实验表明,融合了句法信息的查询图生成模型具有更好的性能。平均F1值比最好的对比模型分别高出3.2%和3.1%,其中所有的句法信息贡献1.8%和2.9%。最后,本文将提出的融合句法信息的查询图生成模型与通用的实体识别和实体链接方法一起应用于音乐领域知识库问答系统中。通过展示问答系统的功能,验证了查询图生成的方法在音乐领域知识库问答中的实用性。