互联网技术的快速发展催生了大量的智能设备,如智能电视、交互式车载系统等,这些智能设备的一个核心问题就是用户交互功能,成为各大厂商争相研究的重点,语音交互功能最大的优势在于方便快捷,极大解放了用户的双手,用户只需要通过语音将信息输入系统,就可以实现一系列的智能操作,比如播放音乐、打开空调等。同时智能设备拥有超海量的影音内容,与人们日常生活的联系越加紧密,在充分满足用户需求的同时,也使用户寻找所需内容更加困难。基于大数据分析和人工智能技术,如何提高候选实体集的排序质量,解决信息过载难题成为亟待解决的问题。本文以影音短文本实体为研究对象,选取了2020年4-5月某平台影音语音交互系统的390420对影音短文本数据,对影音短文本实体排序的研究不仅有利于提高候选实体集排序的精确度,更好地满足用户需求,提升用户体验满意度,也丰富了短文本实体排序研究体系,具有很大的实用价值和商业价值。本文主要对智能电视、车载音乐交互系统的短文本实体排序方法进行了研究。本文总分为五个部分:第一部分阐述了本文的研究背景与意义、国内外实体模糊文献综述与主要研究内容。第二部分,介绍了实体模糊与排序学习的理论基础,对长短文本研究与实体模糊的概况进行了介绍,同时阐述了相关机器学习与深度学习理论。第三部分,针对影音短文本原始数据进行数据清洗及预处理,对处理后数据进行探索性分析,分析目前实体模糊方案所存在的问题,并基于目前影音短文本实体模糊领域所存在的问题,从拼音、文本、实体热度等层面进行特征提取,构建指标体系,量化目前所存在的问题。第四部分,针对第三部分所构建的特征体系,分别构建Rank SVM模型、MLP模型与Wide＆Deep模型对粗召候选实体集进行排序与分析,并根据模型评价指标比较不同模型的排序效果,确定最优模型。实验证明,Wide＆Deep模型相较于其他模型的排序结果具有更高的精确率。本文主要贡献在于:（1）构建了较为完善的影音短文本目标实体与候选实体的相似度度量特征体系,探究了相关特征的影响程度,其中实体热度信息较为重要;（2）针对线性模型泛化能力较弱与神经网络模型记忆能力不强等问题,构建了Wide＆Deep模型,实验结果表明,兼顾记忆能力与泛化能力的Wide＆Deep模型相较单一的机器学习或深度学习方法排序结果具有更高的精确率。