当前随着移动信息平台不断发展,互联网自然语言处理需求也与日俱增。近几年随着微博、微信、QQ等短文本信息平台流行度越来越高,短文本信息量呈指数型增长,短文本信息中蕴含着巨大的数据价值和广阔的市场前景,如何挖掘出这部分价值成为了值得探讨的话题。构建文本实体指称和知识库实体之间的实体链指是短文本语言处理领域的重要一环。本文围绕提升中文短文本实体链指效果,在目前已有的研究基础上,做了如下工作:（一）针对中文短文本的命名实体识别任务,在Bi LSTM-CRF神经网络模型的基础上,引入自注意力机制,构建了Self Attention-Bi LSTM-CRF神经网络模型。通过融合自注意力机制,使得模型无需借助外部数据,能够自动捕获文本内部信息,更好地理解文本语义,挖掘句子特征。该方法无需人工标注特征,能够自动完成命名实体识别。经过对比实验,证明该模型具有较好的识别效果。（二）在百度提出的ERNIE预训练语言模型的基础上,通过引入多任务学习,构建了基于多任务学习的中文短文本实体消歧模型。通过把实体分类任务作为中文短文本实体链指的辅助任务,进行多任务学习,改善了中文短文本实体链指过程中上下文信息不充分导致的实体指称和候选实体相关度计算依据不足的问题,提高了模型的实体链指效果,提升了模型的泛化能力。通过对比实验,验证了基于多任务学习的模型效果优于相同结构的单任务模型,证明了模型能有效地解决中文短文本实体链指任务。