在很多场景下,需要根据政府部门的职能进行工作安排。由于政府部门的数量众多,且职能描述一般基于自然语言,没有明确的关键字,因此从政府部门公开的网站上获取的部门职能以及相关的信息,很难进行有效的查询。如何能精准、快速地查询部门职能信息,是一个需要解决的问题。知识图谱的研究兴起为解决这个问题提供了机会,将部门、职能信息及其之间的关系通过图的方式展示,能够快速的检索知识并且提高知识查找的准确度。本文研究政府部门职能领域的知识图谱构建和查询。具体工作如下:（1）在知识图谱的构建过程中,对于非结构化数据,本文使用基于Bi LSTMCRF改进的网络模型Attention-Bi LSTM模型进行部门职能知识实体的获取,并使用依存句法分析对部门职能实体关系进行抽取。对于半结构化的部门知识数据,构建了基于Python的网页解析流程。最后使用Neo4j对知识进行存储。实验表明,引入注意力机制后能够将文本中提取的局部特征与Bi LSTM中提取得到的全局特征结合起来一起馈送到CRF层,提高了命名实体识别的精度。（2）在自然语句查询过程中,通过对问句进行自定义的词典分词处理之后,提高了分词的准确性,并将分词之后的词进行领域内的词性标注。将问句中的关键特征词作为问句分类的特征输入到SVM分类算法中,得到最终的分类标签。最后把标注为nm词性的词和分类标签生成Cypher语句到图数据库中查询并返回结果。（3）搭建部门职能知识图谱系统。通过分析系统需求和系统设计,使用Spring Boot框架完成系统后台的开发,并基于echarts关系图实现图谱的可视化展示,完成了知识查询和数据导入等功能。本文通过以上相关算法的研究,利用现有的开发工具,完成了部门职能知识图谱构建,并且提供了基于知识图谱的自然问句的查询。最后提高了用户对政府职能的查询准确度,并能够以图的形式直观的展示部门职能的之间的关系。