实体链接（Entity Linking,EL）是自然语言处理领域中的一项基础任务,旨在将文本中的实体与知识库中的实体进行匹配和链接,进而为自然语言文本提供更深入的语义理解。实体链接通常包含三个步骤:命名实体识别、候选实体生成和候选实体排序,后两个步骤是实体链接的关键。近几年随着深度学习技术的发展,实体链接在长文本语境依托丰富的上下文信息和明确的主题信息已经取得较高的链接精度,然而在中文短文本领域受限于上下文缺失、表达不规范以及语言本身的特点仍然面临巨大挑战。对于候选实体生成,目前基于Bi-Encoder的方法主要利用两个独立编码器分别将实体指称项以及知识库所有实体映射到语义空间,并利用最大化点积相似度的方式检索候选实体,然而并没有显式考虑实体描述信息与短文本在输入表示过程中的差异和生成向量在向量空间中的分布差异。对于候选实体排序,主流方法利用BERT从文本匹配角度挖掘文本对的语义关系,但存在BERT参数量大所带来的效率问题以及对实体描述信息的简单处理所带来的信息损失问题。针对以上问题,本文围绕如何改进实体链接两阶段方法的效果和效率展开研究,主要研究内容和创新点如下:（1）提出了基于Sia BERT-CG模型进行稠密向量检索的候选实体生成方法,该算法利用共享参数的孪生BERT模型减少短文本与实体信息的表示差异以及在向量空间中的分布差异,获得在向量空间中更适合检索的分布,提高实体检索的效果。同时,本文提出一种类型感知负采样策略,使负例与正例之间具有均衡的类别和语义相似度,增大模型的训练难度,提高模型对具有歧义的样本的区分能力。（2）提出了基于ALBERT潜在主题聚类的候选实体排序方法,引入ALBERT模型来进行短文本的候选实体排序,捕获实体指称项与候选实体间的匹配模式,克服BERT模型复杂且参数量巨大的问题。同时设计了潜在主题聚类的实体描述信息拆分方法,能够让短文本与实体描述信息充分交互的同时减少因文本拆分带来的冗余,提升候选实体排序模型的匹配精度。（3）设计并实现了一个中文实体链接系统,在实际应用场景验证了本文提出的方法的有效性和实用性。该系统主要包含Web交互模块、离线处理模块和在线处理模块,能够实现对文本和文本文件的实体识别、候选实体生成、实体链接功能和API访问与用户注册登录场景。最后,综合分析系统的所有测试结果,验证了该实体链接系统具有出色的功能性和实用性。综上所述,本文在中文短文本实体链接领域,针对实体链接方法的两个阶段中存在的问题,引入新的模型结构、优化模型的训练和预测策略,提升了模型的效果和实际应用能力。通过详尽的实验验证与应用场景测试,证实了本文提出方法是可行且有效的。