语义理解是智能搜索、智能问答、推荐系统等应用的关键技术,是自然语言处理领域的研究热点之一。其中,基于查询图的语义理解方法以图结构清晰直观地表示复杂问句中包含的多跳、逻辑计算等语义特征,具有效果好、可解释性高的优点。当前,基于查询图的语义理解方法主要可以分为实体识别、关系识别和查询图构建三个步骤,其主要存在以下问题:（1）问句的实体与关系识别大多采用流水线方法,忽视了两个任务之间的联系,容易造成误差传播的问题。（2）在查询图构建阶段大多利用结构模板或状态转换规则,限制了模型的灵活性。本文对基于查询图的语义理解方法进行优化,主要研究基于语义图嵌入的实体与关系联合识别方法和面向问句语义理解的查询图预测方法,具体如下:（1）基于语义图嵌入的实体与关系联合识别方法。该方法通过参数共享实现联合学习,能够捕获实体识别任务和关系识别任务之间的联系,缓解误差传播的问题。本文通过语义图嵌入进行优化,利用问句中的实体关系三元组构建语义图,采用图神经网络对语义图进行编码,能够获取更丰富的语义信息。（2）面向问句语义理解的查询图预测方法。该方法将查询图的构建过程定义为图序列的动态预测生成过程。在注意力机制中引入依存分析,利用依存树为每个分词构建最小生成树,通过树结构与查询图结构的相似性判断分词的重要性,从而减少重复信息的预测。（3）智能问答原型系统的开发及应用。根据上述理论研究成果,设计并实现了问答原型系统,通过查询图优化的方式理解复杂问句的语义逻辑精准获取查询答案。最后,将该问答系统应用于科技文献知识图谱,实现了该领域的实体查询、实体与关系联合识别以及复杂问句语义理解等服务。本文通过图神经网络捕获语义图中包含的实体关系结构信息,利用依存注意力机制更好地聚合语义信息,实验结果表明提出的方法在多个数据集上能够提升实体与关系识别任务以及语义理解任务的F1值,实现复杂问句的语义理解。