随着互联网的飞速发展,传统搜索引擎由于准确率低和广告较多等问题,渐渐无法满足用户检索信息的需求。而基于知识图谱的问答系统,采用结构化方法存储数据信息,允许用户运用自然语言进行查询,系统对用户查询的问题进行解析,返回相对准确的答案。正因基于知识图谱的问答系统检索信息高效性,其研究和应用越来越广泛,在这些研究当中,问答系统回答问题的准确率是研究的重点,而知识图谱疏性和多实体问题是影响准确率的重要因素,本文将重点围绕这些因素进行研究。（1）针对知识图谱稀疏影响知识图谱问答系统准确率的情况,改进知识图谱嵌入技术,引入强化学习方法,提出了RL+PTrans E算法,在一定程度上降低了知识图谱的稀疏性。使用表示学习模型对知识图谱进行训练,使三元组获得预期奖励。将知识图谱的推理过程看作一个马尔可夫决策过程,进行关系推理,使用策略网络,得到缺少的关系,在一定程度上降低了知识图谱的稀疏性。在特定数据集的结果表明,RL+PTrans E算法与其他路径推理模型比,推理预测效果更好。实验结果表明,RL+PTrans E算法的MRR达到了47.4%,优于其他模型,验证了算法的可行性和有效性。（2）针对问答系统的问句多实体的情况,提出了基于中文知识图谱的多实体桥接（Multi Entity Connection based on Chinese Knowledge Graph,MEC-CKG）算法,对问句中多实体进行识别,提升问答系统回答的准确率。通过对问句的属性及包含的实体进行识别,然后进行实体链接,同时生成候选查询路径,计算路径与问句的相似度,取相对比较优的查询路径。最后在知识图谱中进行查询操作,判断是否存在搜索结果一致的情况,如果在一致,则生成新查询路径,加入候选路径中,计算相似度,返回相似度最高的查询结果。实验结果表明,MEC-CKG算法的平均F1值达到了67.14%,验证了算法的可行性和有效性。（3）设计并实现了智能常识问答的原型系统。该系统基于C/S架构,使用MVP模式,以Java和Python为开发语言,采用Neo4j图数据库对知识图谱进行读写操作。原型系统以手机应用程序的形式展现。用户登录系统后,输入中文问句后,可以快速得到问题的答案,还可查看知识图谱。原型系统对用户提出的问题进行统计分析,将热门提问推荐给用户,丰富用户的知识面。