现如今,知识图谱（Knowledge Graph）已经成为大数据时代的重要工具,被广泛应用于下一代搜索引擎、智能问答和推荐等领域。基于知识图谱的问答一直是自然语言处理领域讨论的热门话题,由于自然语言处理技术日趋成熟和高质量通用领域知识图谱的相继出现,针对通用知识图谱的知识问答研究较多,且研究成果丰硕。目前,旅游领域已经出现了部分构建旅游知识图谱研究论文,甚至已经有公开的旅游知识图谱可供查阅。然而,论文和已公开的旅游知识图谱大多仅考虑旅游景点信息,没有考虑旅游过程中可能存在的吃住购等消费信息,同时已公开的旅游知识图谱的数据量较少,进行知识问答研究的效果不佳,无法满足游客对于旅游问答的需求。因此,构建一个可同时满足游客旅游需求的知识图谱,并基于此知识图谱服务于游客已经成为旅游研究的一个热点问题。针对以上问题,本文给出了解决思路,主要的研究内容如下:（1）旅游知识图谱构建。当前旅游知识图谱大多仅关注景点信息而忽略了旅游领域“吃住行游购娱”的需要,为了更好的满足游客需求,本文对已有的景点旅游知识图谱进行了知识扩充,添加了餐厅、酒店、购物中心等信息。同时,本文使用BERT模型和Ratio Distance算法结合的方法将本文构建的旅游知识图谱和已有的线路知识图谱进行融合,通过添加线路信息进一步扩充旅游知识图谱。（2）基于BiLSTM+CRF+TERA进行问句旅游实体识别研究。BiLSTM+CRF模型被用来进行命名实体识别研究,然而该模型被应用于旅游领域时无法准确识别部分旅游领域实体。基于上述问题,本文提出旅游实体识别算法（Tourism Entity Recognition Algorithm,TERA）。该算法沿用了最大匹配算法的思想,以旅游领域实体大多为名词或由名词组成这一特点来设计。整个旅游实体识别研究使用BiLSTM计算各词被标注成各标签的概率,使用CRF模型获取最优标签组合,最后将模型无法准确识别的实体使用TERA进行识别。实验表明,在BiLSTM+CRF模型的基础上添加TERA可以更好的提高旅游实体识别的准确率。（3）基于融合注意力机制的Siamese LSTM进行问句属性链接研究。使用Siamese LSTM提取问句和知识图谱中存储的三元组中的候选属性集的语义特征,引入注意力机制突出句中的关键信息,最后计算提取的问句和属性的语义特征的相似度,选择候选属性集中与问句相似度最高的属性。实验表明,使用融合注意力机制的Siamese LSTM比单纯使用Siamese LSTM进行属性链接的准确率高。综上,本文构建了多源融合的旅游知识图谱,并使用BERT模型和Ratio Distance算法结合的方法融合线路知识图谱得到包含旅游线路信息、旅游景点信息、餐厅信息、酒店信息和购物中心信息的一个完整的小型旅游知识图谱;本文使用（2）（3）中提到的模型算法进行问答方法的研究,最终结合两种方法实现基于旅游知识图谱的知识问答。实验证明,本文提出的研究方法模型在训练效率上有一定的提高,且可服务于旅游领域。