知识图谱是一种采用图结构化的方式存储现实世界中代表事物的实体以及实体之间的关系,为海量的非结构化互联网信息数据提供了一种行之有效的处理方式。以知识图谱作为数据来源的问答技术成为当今AI领域的热门研究方向,但目前基于知识图谱的智能问答技术在简单问题上的问答效果较好,却难以应对包含多个关系的复杂问题,缺乏复杂问题在知识图谱上的推理能力,大大降低了实际问答效果。本文对基于知识图谱的多跳推理问答技术进行研究,从嵌入的角度研究复杂问题在知识图谱上的多跳推理相关算法,对候选答案采用初筛和精筛层层递进的方式提高问答准确率,并将算法研究与系统应用相结合进一步验证算法的可行性。首先,为更好理解和操作知识图谱,本文提出利用Transformer模型实现知识图谱实体和关系的嵌入表示。在基于预训练模型ALBERT基础上开展对问题解析的研究工作,添加双向LSTM学习问题的上下文信息得到问题的表示向量,并设计ALBERT-BiLSTM-CRF模型提取问题主题实体。基于链接预测任务的思想,本文将主题实体向量和问题向量通过评分函数计算所有实体作为候选答案的置信概率分布,经过排序得到初筛的候选答案。最后本文使用新冠开放知识图谱的7个子图谱构造的Sub-COVID19知识图谱和COVID19-QA问答数据集进行模型训练,实验表明,基于Transformer的知识图谱嵌入模型比最早的TransE模型在Hit@1评估指标上有4个百分点的提升,并在提取问题主题实体任务上的F1值分数上达到82%。此外2跳复杂问题在知识图谱上的多跳推理问答准确率达到75%,均优于实验设置的对比模型。其次,对于初筛获得的候选答案,本文提出关系链推理纠正模型对候选答案进一步精筛获得准确率更高的答案,做法是将主题实体与候选答案实体在知识图谱上关联获得关系链,经过向量转换处理得到关系链表示向量,然后利用Simaese网络结构计算关系链表示向量和问题表示向量的语义相似度,并根据相似度分数对候选答案重新排序,提高问答准确率。经实验证明,关系链推理纠正模型在2跳和3跳复杂问题的问答准确率分别提高了2.61%和3.21%,获得很好的准确率提升效果。最后,本文结合多跳推理问答技术的研究工作,利用实验使用的新冠知识图谱和问答数据集设计和实现了新冠知识多跳问答机器人系统,支持不同复杂度问题的问答功能,以及提供多种人性化服务功能。此外,对系统进行了在功能和性能上的测试,测试结果表明问答系统能够基本满足理解用户问题并返回正确答案的要求,并保证系统运行时合理的处理耗时和吞吐量能力。