在大数据时代,文本知识的抽取、理解显得愈发重要。中文词汇本身具有多样性和歧义性,因此如何正确理解文本,获取准确的语言信息是目前自然语言处理领域研究热点之一。本文研究的实体链接算法是识别给定文本中的实体指称,并将实体指称链接到目标知识库的一个过程,它主要解决词汇一词多义和多词一义的问题,对提升文本理解能力有重大意义。本文在分析实体链接算法相关技术的基础上,深入研究了候选实体生成以及实体消歧的相关技术,并对传统实体链接算法进行改进,给出具有创新性和实用性的实体链接模型,本文的主要研究内容如下所示:(1)本文构建了一种实体指称扩展算法。相比传统算法直接利用实体指称进行知识库搜索,本文提出的实体指称扩展算法能够获得尽量精准的实体指称中文表达,进而可以提高候选实体召回率。(2)本文构建了一种融合浅层语义信息的图模型过滤算法。实体指称扩展会带来候选实体过多,减小整个实体链接系统速率的问题,因此本文在此基础上构建了一种候选实体过滤算法。相对于传统算法利用单一特征进行过滤导致候选实体召回率过低,本文提出的候选实体过滤算法在保证候选实体召回率的同时,能尽量减少无关候选实体,提高系统效率。(3)本文构建了基于细粒度实体分类模型的实体消歧模型。相较于传统实体消歧模型直接预测消歧实体造成模型过拟合,本文将实体消歧问题转化为实体分类问题;同时改进了传统的建模方式,将融合位置信息的Attention机制嵌入记忆效果更好的记忆网络中,获取实体指称的深层语义表达,其次利用候选实体的细粒度类别进行实体消歧,通过实验证明,本文提出的实体消歧算法在精确度上有明显提升。(4)针对中文语料库缺乏的问题,本文首先对中文维基百科数据进行了相应的预处理,为后续实体链接算法打下数据基础,最后通过搭建一个实体链接算法的展示和应用系统,使用自顶向下的设计方式,展现中文问答和实体链接的相关算法流程,证明本文算法的实用性和可扩展性。