信息化时代,数据爆炸增长,人工智能技术推动了人们对数据的应用。知识图谱可以给人工智能赋予深度理解的能力,知识图谱技术的发展,使信息服务趋向智能化。在知识图谱中,最基础的单位是实体,文本信息的载体也是实体。因此实体识别技术与实体消歧技术可以影响知识图谱中实体的质量,是知识图谱的重要构建工具。命名实体识别技术实现知识图谱中实体的抽取,命名实体消歧技术可以准确链接文本中的实体,知识图谱的质量很大程度取决于实体的质量。目前中文知识图谱面临的主要挑战有两点:中文纯文本信息中实体边界难辨认导致中文实体抽取难度高和短文本信息进行实体消歧时,由于上下文的特征信息不足使输入文本中的实体无法准确地关联到正确含义的实体。鉴于知识图谱面临的这两项挑战,确定了本文的研究方向,优化实体识别算法和实体消歧算法,提高模型的准确率和召回率。本文通过对知识图谱技术的研究,提出了多粒度向量的方法来优化实体识别模型,解决纯文本信息中实体难抽取的问题。同时,使用特征增强的方法优化实体消歧算法,解决短文本中实体难消歧的问题,提高实体消歧模型中实体的特征信息,构建的实体消歧模型在对短文本的实体消歧中,准确率达到91.14%,召回率超过88%。本文的实体识别模型以双向长短期记忆网络（Bi-directional Long Short-Term Memory,Bi-LSTM）和条件随机场（Conditional Random Field,CRF）为网络框架再引入自注意力机制的基础上,提出多粒度向量模型,该模型使用多粒度向量的方法将字向量结合词向量作为输入,使用模型 BERT-wwm（Bidirectional Encoder Representations from Transformers with Whole Word Masking）进行预训练,将预训练后得到的特征向量输入Bi-LSTM网络,充分考虑上下文信息,同时引入自注意力机制,对局部特征重点关注,将特征识别的结果输入到CRF层,得到实体的标注结果。实验表明,这种模型的识别效果较高。本文使用深度学习方法,利用丰富上下文特征的方法优化实体消歧模型。当输入待消歧文本,使用Bi-LSTM网络抽取待消歧文本的序列特征,提取待消歧文本中实体的首尾字向量、最大池化（Max pooling）、自注意力（Self-Attention）特征,将得到的特征拼接后进行加权求和得到输入文本中实体的特征向量。候选实体集通过词典获取,输入候选实体的描述文本,使用Bi-LSTM获得输入文本的序列,输出向量在Attention层进一步提取语义信息,得到描述文本的特征向量。最后计算实体向量间的相似度,得到实体消歧结果。实验结果证明,优化后的实体消歧模型对中文短文本中实体的消歧效果更好,准确率达到91.14%。