社会保障制度与民生息息相关,而作为其重要组成部分的社会保险更与本文普通人密不可分。但随着经济的发展,大量的社会保险知识呈现出地域化和碎片化,并且互联网的发展使人们更愿意在网上提出问题。因此,目前亟需构建一个社保领域知识库,并在其之上能够创造应用价值,解决老百姓所遇到的社保问题,而知识图谱可以作为解决以上问题的可行方法。基于以上背景,以自然语言处理技术和神经网络理论作为支撑,本文对社保领域知识图谱构建以及问答技术进行了深入研究。本文的内容主要分为两个模块:社保知识图谱构建与基于知识图谱的问答原型构建。在社保领域知识图谱构建模块中,本文结合社保领域特点提出了一个知识图谱构建框架,主要包括知识的预处理,概念提取,实体识别以及关系抽取四个部分。在预处理部分,本文利用网络爬虫爬取了权威的领域知识并对文本进行去噪。由于社保领域中的概念繁多,为了减少人工参与,所以本文首先利用规则与统计相结合的方法对领域概念进行提取,将构建好的领域概念集合用于分词和标注任务。为了获取知识图谱中的重要组成部分:实体和关系,本文接下来利用经典的BiLSTM-CRF实体识别模型进行社保领域实体识别,并在此基础之针对领域特点上做出改进,加入分词层并使用组合嵌入来提高识别效果。接下来,本文利用远程监督的方法,设计了社保领域关系抽取框架,利用多段卷积神经网络(PCNNs)进行建模,并引入注意力机制和实体描述特征。然后通过提取的实体和关系构建领域知识图谱。基于构建的知识图谱,本文又对社保领域的问答技术进行研究,主要由实体链接和关系预测两个任务构成。在实体链接部分,本文提出了一种融合多种特征的实体间相似度计算方法。然后在关系预测任务中,本文构建了一个基于层叠Bi-GRUs的关系预测模型,并同样引入注意力机制。通过以上两步操作,可以将问句中的实体和关系进行抽取,最终形成形式化查询语句,在知识图谱中查询后返回结果。最后,本文对以上提出或采用的方法及模型进行实验并分析,以验证本文算法和模型的有效性和准确性,说明了本文提出的社保领域知识图谱构建方法以及基于社保领域知识图谱的问答原型的有效性及应用价值。