网络的飞速发展给人们生活带来了便利,与此同时,引发的信息爆炸让人们很难精确的定位所求的信息。由于自然语言的歧义性,对实体的语义进行消歧成了搜索的关键问题,而针对语义消歧的实体链接任务应运而生。实体链接任务是指抽取文档集中指定类型的命名实体,包括人名、地名、组织机构名,并把其链接到KB(Knowledge Base)知识库的过程。本文针对实体链接的问题进行研究,主要内容如下:1.针对查询词的扩展,提出了一种基于词向量(Word Embedding)的扩展方法。该方法利用CBOW模型去训练词的词向量,然后距离Query相近的词作为扩展词,能够弥补基于规则的扩展方法的不足,提高候选实体的召回率。2.提出了基于词向量的排序模型,用以实现实体链接。在特征抽取阶段,不仅加入了文档之间的LDA主题相似性特征,而且加入了基于词向量的文本相似性特征。对实体的上下文进行向量化过程中,不再以高频词作为向量的维度,而是以基于Word Embedding的相关词作为向量维度,由此得到文档的语义相似性特征。最后利用Learning to Rank模型把Query链接到相应的候选实体。3.提出了构建基于词向量的语义网模型,用以实现实体链接。文档中所有实体以及候选实体作为节点构建语义网,节点与节点之间边的权重表示词与词之间的语义关系,而本文利用词的词向量相似度来衡量节点之间的语义关系,与其他方法相比,达到较好的效果。本文在2014年英文实体链接Entity Linking任务数据集上进行实验,结果表明,基于排序模型的实体链接方法,使F1值达到0.71,基于词向量的语义网模型的实体链接方法,使F1值达到0.739,具有较好的效果。本实验表明两种思路构建的实体链接方法都能较好的解决实体链接问题,且具有普适性。