近些年来,伴随着互联网技术的迅猛发展,互联网上的信息呈指数级的增长,这些丰富多彩的信息增强了用户在互联网世界获取到大部分知识的可能性,但同时也导致用户从中获取有效信息的效率越来越低,所以人们希望快速获取有效信息的呼声越来越高。于是问答系统应运而生,它有别于返回一系列文档或网页的传统搜索引擎,可以理解用户的搜索意图,并在极短时间内给出一个简明扼要的答案,问答系统也因此成为人工智能研究热潮之一。本文在分析知识图谱问答系统相关技术的基础上,深入研究实体和关系抽取、候选实体排序以及知识表示学习技术,并在传统经典模型和算法上进行改进,给出本文的创新模型和算法,并将之用于真实数据中,构建出本文的基于中文知识图谱的问答系统,具体的工作如下:(1)在信息抽取任务中,传统的串行式方法将其分为实体抽取和关系抽取两个子任务,这种方法存在误差累计和信息利用率低的缺点,所以本文提出BA-IE模型,它采用Bi-GRU提升模型的训练速度,同时引入注意力机制增强模型对问句的语义理解能力,最终实现实体与关系的联合抽取,并在公开数据集上进行对比验证,证明了本文提出的模型在信息抽取任务中具有良好的表现。(2)在实际应用中,实体链接返回的候选实体列表是无序和无语义关联的,会极大地增加知识推理的时间成本,本文引入基于流行度、语义相似度和字符相似度的多评分机制,提出MS-Rank算法对候选实体列表进行排序,有效减少知识推理过程中的冗余计算。(3)为解决传统TransE模型中部分实体的知识表示具有高度相似性的问题,本文在TransE模型的基础上引入实体的事实描述,提出改进的FD-TransE模型,从而扩大实体知识表示之间的距离,并在公开数据集上进行验证,证明了本文模型可以有效解决上述问题。(4)本文结合第三章和第四章中的模型和算法,设计并实现了一个基于中文知识图谱CN-DBpedia的问答系统,最后在真实的数据流环境中进行系统测试分析。