命名实体识别和实体链接作为自然语言处理领域中的基本任务,目标是识别出语句中的实体指称,并映射到知识库中的相应实体上。随着知识库问答系统的出现,作为问答系统的基础步骤,面向短文本问句的命名实体识别和实体链接技术的研究具有重要的意义和价值。对于命名实体识别,本文将命名实体识别看作序列标注任务,使用神经网络模型实现,并在模型的输入层和解码层进行了改进。对于实体连接,本文针对面向短文本问句的实体链接面临的挑战,提出了通过外部语料扩充实体指称的背景知识以及抽取实体类型、实体关系和邻近实体作为候选实体在结构化知识库中的表示形式。本文主要研究内容如下:(1)基于BiLSTM+SoftMax的神经网络模型实现了命名实体识别,在预训练的单词向量后拼接单词的字符级别和词性特征作为模型的输入,同时由于BiLSTM和SoftMax无法考虑命名实体标签之间的依赖关系,解码层使用CRF替换SoftMax,为每个单词选择全局最优的标签。(2)抽取Freebase知识库中包含实体名称属性的三元组,进行数据清洗,构建成指称-实体映射词典,并利用实体流行度对候选实体集合进行有效筛选,得到大小合适的候选实体集合,最后重新定义字符串匹配算法,保证词典尽可能多的覆盖实体指称。(3)通过三个不同角度的特征实现候选实体消歧,即实体流行度特征:实体流行度表示实体在知识库中的热门程度,是实体固有属性,可作为实体消歧的辅助特征;基于问句的特征:由于结构化知识库缺少对实体的描述性文本信息,本文采用实体类别和实体关系作为候选实体在知识库中的表示,分别计算与指称上下文内容的相似度;基于相似实体指称的特征:通过语料训练的模型,得到指称的相似实体指称,作为指称的背景知识,同时选择候选实体的邻近实体,计算两者的相似度。(4)实现了面向短文本问句的命名实体识别和实体链接的系统,并在常用的问答数据集上对本文方法的有效性进行了实验验证,命名实体识别实验表明输入层加入字符级别,解码层是用CRF,结果表现最佳,实体链接实验表明所有特征组合后的结果最好,单个特征中实体流行度和基于相似实体指称的特征表现相对较好。