随着互联网、云计算等信息技术的迅猛发展,整个信息社会已进入大数据时代。网络大数据在规模与复杂度上快速增长,这些数据中蕴含了大量有价值的信息。谷歌、百度等传统搜索引擎能帮助用户较快地检索利用这些信息,但只能对其进行一些简单的筛选和排序。相比传统搜索引擎,问答系统能直接给出相应的回答,其中,知识图谱问答系统利用结构化知识源,能给出更加精准简洁的答案。近年来深度学习迅速发展,序列到序列框架在自然语言处理任务上已取得较好的效果。将自然语言问句映射为特定的查询语句是知识图谱问答的关键任务,这是一个序列到序列的过程。本文设计并实现了基于序列到序列框架的知识图谱问答系统。本文系统主要分为Web服务模块、问题处理模块、答案推导模块、答案生成模块、知识图谱存取模块和日志与存储模块。在实现答案推导模块时,针对复杂计数问题,本文设计并实现了一种改进的基于序列到序列框架的知识图谱问答方法。该方法包括编码和解码两个阶段,在编码阶段,结合基于卷积神经网络的文本分类模型进行多任务学习,约束问句的编码过程;在解码阶段,利用“键-字典”存储机制,在推导过程中与知识图谱实时交互,将自然语言问句映射为自定义查询语句,实现含计数信息的答案推导。此外,为了解决监督数据不足的问题,针对序列到序列框架的知识图谱问答算法,本文提出了基于对偶学习的训练方式,利用知识图谱中抽取出来的无监督信息,优化知识图谱问答算法。本文针对提出的基于序列到序列框架的知识图谱问答方法,在公开数据集WebQuestionSP上进行了测试。实验结果表明,与现有工作相比,本文提出的方法解决了复杂计数问题,提升了知识图谱问答的准确性,并在一定程度上解决了监督数据不足的问题。