在高速发展的互联网时代,检索成为了人们查找并获取知识重要手段,其便利的使用方法可以帮助人们快速获取想要的信息。文本检索作为最基本的检索方式之一,虽然在过去的几十年中通过传统的布尔模型,词袋模型和一些经典的排序算法有了极大的提高,但是仍然存在很多问题。一方面是算法在自然语言的理解上的不足。传统的方法大部分基于词频的统计匹配而并非是在语义上理解文章和问题给出答案,导致很多答案没有准确理解搜索语义而被排除掉。另一方面传统的排序模型也存在着学习能力不足,学习效果严重依赖于人工特征选择和提取等问题。在过去的几年中深度学习模型和知识图谱表示推理有了很大的进展,并在各个领域取得了重要突破。深度学习网络因为其端到端的优秀提取特征能力,以及层数的叠加带来的计算收益在很多方面超越了传统的机器学习算法,在深度学习模型上发展的词向量和文本表示模型已经广泛的应用在自然语言的各种分支中。知识图谱可以描述实体的概念和实体之间关系,并构成巨大的网络关系图,其中的概念经过人工审核准确而可靠。通过知识图谱,可以准确的存储有关实体的知识,在问答和检索,实体连接等任务上都有可靠的表现。借助现有的知识图谱表示方法和深度学习排序学习模型,本文提出了新的文本检索模型(AttentionKernel Entity Similarity Ranking,AKESR),新模型可以增强单词多层面的语义理解,并且实现端到端的特征提取与排序打分,和以往的深度学习检索模型相比可以使用更少的数据达到满意的效果。本文提出的基于图谱实体表示和深度学习网络的文本检索模型包含创新点如下:1.在深度学习排序学习模型中引入基于知识图谱的多关系实体嵌入。不同于传统网络中把词向量作为输入,本文中的输入主要基于知识图谱中训练的多关系实体向量。根据已有的知识图谱库以及文本库中的文献自建适合该任务的知识图谱,并通过知识图谱实体表示方法提取出多种关系的向量字典。2.采用多维度相似度矩阵作为网络输入,保留多维度实体匹配相关信息。提取出数据集中的检索问题和文章中的实体,在相同关系的维度上进行对应位置两两相似度匹配从而得到多维的相似度矩阵。3.在原有模型网络中引入改进的多头自注意力机制。将检索问题中词向量的自注意力分配与实体网络特征提取的结果相结合,以提取检索问题中词汇之间的相互依赖关系。将多维相似度矩阵输入网络,经过高斯核卷积和自注意力机制相结合的方法进行特征提取并通过全连接层训练。最后本文通过Pairwise为损失的训练方法得到最终的训练网络,从多个角度对比传统检索方法和现有的深度学习检索算法,实验证明该网络可以在引入实体的背景关系并且有效降低训练所需数据量的同时,提供较高的准确率。