实体链接(Entity Linking)是知识图谱领域一项关键的基础技术,其任务是要将非结构化文本中提及的实体和知识库中存储的实体进行一一映射,以帮助计算机更精准地理解输入的自然语言。实体链接在知识库扩展、信息检索、智能问答、内容推荐等场景下有着广泛的应用,是知识图谱领域的热点研究问题之一。本文通过对国内外基于图结构和实体嵌入的实体链接相关研究进行调研,针对实体链接研究中生成的候选实体集噪声过大,候选实体一致性衡量不精确,相似候选实体消歧能力不足等问题,提出了两种基于图结构的联合实体链接算法。具体地,本文的主要工作包括:1、提出了基于LeaderRank的联合实体链接算法—LRCEL,该算法主要包括实体识别模块、候选实体集生成模块、实体关联图构造模块、候选实体排序模块这四个主要模块。首先考虑输入文本中潜在的语义信息和本地知识库中蕴含的语义信息,生成规模小而精确的候选实体集,随后通过候选实体集构造包含候选实体强弱语义关系的实体关联图,最后利用关联图中包含的多源信息结合LeaderRank进行候选实体排序,选择一组候选实体作为输入中各实体提及的最终链接对象,完成各实体提及与知识库实体的链接。实傼结果证明相较于经典的联合实体链接方法Babelfy,LRCEL算法在候选实体生成,实体主题一致性度量等多个方面都有较大优势,链接整体表现上也更加优秀,平均F1值提升了11%。2、在LRCEL算法的基础上进一步进行改进,提出了基于实体嵌入的联合实体链接算法—EECEL。EECEL算法通过随机游走相关算法和词嵌入模型生成知识库中每个实体对应的实体嵌入,然后直接利用实体嵌入计算候选实体间的一致性,进一步改善实体相关图中的实体关联性表达。该算法还利用实体嵌入生成输入文本的主题向量,利用主题向量优化算法的候选实体集生成和候选实体排序模块。在两个知识库的三组数据集上,EECEL算法都比LRCEL算法的链接表现更好,平均F1值提升了2%,充分证明了基于实体嵌入能帮助实体链接算法取得更好的效果。LRCEL和EECEL算法后续将重点从上下文选择方法、本地知识库稠密化、实体提及识别方法这三个方面进行研究,提升现阶段两种实体链接算法的链接效果。