在勘探开发领域的工作中,经常需要从大量的非结构化文本中检索出有用的信息,而传统的全文检索系统使用字符串匹配的方式很难满足检索需求。但是基于知识图谱的问答系统根据用户输入的问句直接输出精准的答案,可以满足勘探开发工作中高效的检索需求。本文研究并设计了基于勘探开发知识图谱的深度问答系统,其中根据答案类型分为简单问答和复杂问答,并针对各自的关键算法和技术进行了探索。其中,简单问答指的是处理答案是事实类短语的问句,其重要环节是问句和关系的语义匹配。由于勘探开发等特定领域的标注样本不足,导致有监督的语义匹配方法难以获得较高的语义匹配准确率。针对此问题,本文提出一种基于循环神经网络的迁移学习模型,其通过预先学习通用领域中大量无标注样本的语义空间分布来提升专业领域的语义匹配准确率。实验结果表明,该模型与传统的有监督学习方法相比可以明显提升语义匹配的准确率。复杂问答指的是处理答案是描述性语句的问句,其核心步骤是构建合理的答案生成模型,以生成精确的答案。传统方法只将文档和问句内容作为输入,然后通过端到端的网络结构生成答案,忽略了文档中高层次的语义特征信息。针对此问题,本文提出结合三元组信息的答案生成模型,该模型通过将三元组等抽象的语义特征信息与词嵌入层结合的方式来增强文档的表示能力,进而提升答案生成的效果。经过实验验证,与没有融合三元组信息的传统模型相比,该模型可以提升答案生成的精确性。