知识库问答是通过理解问句的意图,在知识库上精准地回答自然语言问句的任务。语义解析作为知识库问答的一类重要方法,通过构造语义解析树或等价查询结构（又称为查询图）来表示问句的语义,再进一步转化为逻辑查询获取答案。语义解析方法的成功在于找到正确的查询图,从而更好地捕捉用户的意图。当前的语义解析方法侧重于查询图的关系匹配,忽视了对查询图的结构信息的捕捉,而包含结构和关系一起作为查询图的全局语义,可以提取出更完整的查询图信息,是理解问句语义和筛选查询图的关键。然而,由于查询图的异构性和复杂关联关系,面向知识库问答的全局语义解析建模具有挑战性。本文提出了一个基于信息传递的模型,通过捕捉查询图的结构和关系信息来获取查询图的全局语义。基于信息传递的方法可以通过学习领域的特征信息,实现对于图结构的信息抽取。首先,针对查询图的异构性和小规模性,提出了一个基于递归的信息传递网络来捕获查询图的异构结构,并利用关系的邻接性优化了关系表示。此外,为了解决问句与查询图表示不一致的问题和增强问句语义,提出了一种融合外部知识的非线性问句编码方式。最后,对于现有相似度计算框架难于区分两种词级语义相似的关系的问题,提出了一种利用义原层次的语义特征来提高问句和查询图之间的语义相似度策略。综上所述,本文提出了一种基于信息传递的全局语义提取方法,利用查询图的结构信息来帮助选择正确的查询图。实验结果表明,本文提出的全局语义建模的方法可以有效捕捉查询图的结构特征并展现较好的对比结果。