实体链接是自然语言处理领域的一项关键任务,准确无歧义的链接结果有利于构建高质量的知识图谱,对于问答系统、语义检索以及信息抽取等自然语言任务也有着基础支撑作用。实体链接任务旨在将文本中的表述与知识库中的实体对齐,主要包含两个组件:知识库和实体链接模型。在知识库方面,规模日益增大的知识库并未提升链接性能,反而带来不相关领域的噪声干扰及不必要的资源消耗和训练时间。在实体链接模型方面,一方面,已有的模型对文本自身信息的挖掘还不够充分,无法与规模更大、信息量更丰富的知识库相适配;另一方面,已有的模型过于依赖复杂度较高的算法,存在着重复计算、占用过多资源等问题。针对上述实体链接中的三个关键问题,本文分别提出了如下的三种解决方案:(1)为了减少知识库中不相关领域的干扰以达到改善知识库的质量的目的,本文提出了一个简易且有效的由粗粒度到细粒度的知识库抽取方法。实验结果表明使用抽取后的知识库,在不影响链接性能的前提下节省了约70%的存储空间和约60%的运行时间,同时能显著提升特定领域的链接准确率。(2)针对现有研究对知识库中的信息和文本自身信息挖掘不充分的问题,本文提出了融合丰富信息的神经实体链接模型,通过使用高速网络桥接文本的关键字信息,借助自注意力机制捕获文本的序列信息,该模型能更好地表征表述的局部和全局信息。实验结果表明该模型能较好地捕获文本潜在的信息,全面地提升链接的性能,在最新的通用知识库上取得了目前最好的性能。(3)针对上述深度学习模型的计算复杂度过高,存在重复计算、过多占用资源等问题,本文提出了一个基于强化学习进行全局优化的实体链接模型。通过强化学习将全局消歧转化为序列决策的问题,并使用奖惩机制配合3种决策顺序探寻出最优全局实体链。实验结果验证了该强化模型的有效性,在降低计算复杂度、规避重复计算的同时进一步提升链接性能。