基于知识库的问答系统能够针对用户提出的自然语言问题直接作答,相比于借助形式化查询语句获取知识库内容的方式,问答系统更加智能且高效。依托于大规模知识库的问答系统通常采用流水线工作模式,在这种模式下,系统利用自然语言处理的相关技术确定问题查询的主题实体,并在知识库中抽取主题实体相关的三元组,从中找到与问题相关度最高的组合用以抽取问题的答案。知识库中相互关联的三元组表现为小规模的图结构,这种结构被称为查询图,它能够反映实体间的知识推理过程。可以说,知识库问答系统检索答案的过程就是对包含主题实体的查询图按照与问题间相关度进行排序的过程。本文将对基于查询图排序的知识库问答系统中各个环节所涉及的主要方法进行研究。本文的研究内容可以概括为以下三点:1.面向知识库问答的主题实体识别技术。为了从问题中识别出主题实体的指称,本文以预训练模型ERNIE为基础分别设计了序列标注模型以及用于在问题中预测实体边界的模型。本文还将基于模型的实体识别方法与基于字符串匹配的实体识别方法融合,以解决模型识别结果可能不是知识库实体指称的问题。2.面向知识库问答的实体链接技术。本文首先从知识库中召回与实体识别结果对应的全部实体作为候选,然后从多个角度提取实体特征并利用排序模型计算实体与问题间的相关度。为了覆盖复杂问题中涉及的多个实体,并提高实体链接环节的容错能力,本文将相关度最高的4个实体作为链接结果。本文还基于Lambda Rank算法设计了一种用于训练排序模型的方法,显著提高了排序模型学习样本间相对顺序的能力以及排序的准确性,并将这种方法也应用于查询图排序模型的训练过程中。3.面向知识库问答的查询图排序技术。本文设计了动态扩展规则用于生成可能包含问题答案的候选查询图集合,还设计了两种扩展限制策略用于缩小候选集合的规模。本文从多个角度提取查询图特征并利用排序模型计算查询图与问题间的相关度,进而选择相关度最高的查询图用于抽取答案。此外,在提取查询图特征的过程中,本文将预训练模型ERNIE与图匹配网络结合,以计算查询图与自然语言问题间的语义相似度。基于本文方法搭建的知识库问答系统在CCKS2020 CKBQA任务测试集上的F1值达到0.8828,接近比赛第一名的水平。