知识库问答在近年来受到了广泛的关注,是一个重要的自然语言处理任务,它旨在对一个自然语言问题进行语义理解和分析,然后从结构化的大规模知识库中查询得到答案。在互联网中,大部分问题都是针对单一事实的,在知识库中经过一次推理就能得到答案,这类问题是复杂问答系统的基础。现有针对单一事实的知识库问答研究方法主要包括基于语义解析的方法和基于深度学习的方法。基于语义解析的方法依赖于高质量的字典、模板,不够灵活,基于深度学习的方法可以通过神经网络自动学习复杂的语义信息,但现有方法使用的注意力机制较为单一,且对外部语义知识利用不足。针对这些问题,本文将任务分解为连续的三个步骤,分别是实体抽取、关系排序和答案生成。首先,在实体抽取步骤中,本文提出了一种结合语言模型和词性特征的堆叠GRU网络SGCLP,将外部语义知识引入堆叠的双向GRU网络,来提升问题实体抽取的准确率;接着,在关系排序步骤中,本文提出一种结合多角度注意力机制的排序模型MARM,对问题和候选关系进行多层次的交互,以消除两者的语义鸿沟;然后,在答案生成步骤,本文提出了融合关系向量的实体排序模型RBERM,利用知识库中的关系信息来区分同名实体;最后,将上述三个步骤结合起来,形成本文完整的知识库问答方法。实验结果表明,本文提出的方法能有效地对问题进行语义分析和建模,并通过知识库查询到答案。在SimpleQuestions数据集上,本文方法基于FB2M知识库取得78.9%的准确率,接近当前最好的结果80.2%,另外,基于FB5M知识库,本文取得了最高的准确率78.3%。