随着在线文娱市场规模的不断扩大,人们对精神文化和生活品质的追求在不断上升,社会对文化娱乐领域的应用需求也越来越高。面对日益激增的文娱信息,知识图谱以其结构化、网络化的特点,能够更好地表示文娱信息之间的相关性,有助于用户更直观地理解文娱信息之间的联系。目前,面向特定领域的知识图谱应用越来越多,但是市场上与文娱领域相关的知识图谱应用还比较少,也缺少开源的文娱知识图谱。同时,智能问答作为搜索引擎未来发展的新方向,将知识图谱应用在智能问答中,能够根据用户意图推理出更准确的答案,逐渐成为人与机器交互的新趋势。针对以上背景,本文利用文娱领域知识,构建了一种文娱领域知识图谱,设计了面向文娱领域知识图谱的问答模型,搭建了基于Web的文娱领域知识图谱问答检索平台。具体内容包括:（1）文娱领域知识图谱的构建。本文通过知识抽取、实体对齐和知识存储三个步骤构建了包含132284个实体和388552个关系的文娱领域知识图谱。针对实体和关系单独抽取可能出现的误差传播问题,本文设计了基于BERT语言模型的实体关系联合抽取模型。同时,针对一句文本中可能出现多个三元组的情况,本文将指针结合标注的思想应用到实体关系联合抽取模型中。针对单一相似度计算方法不能充分利用文本特征的问题,本文设计了结合Jaccard系数和编辑距离的文娱实体对齐方法,对不同数据源获取的文娱实体进行融合。针对抽取的两种文娱数据,本文分别采用Neo4j图数据库和Mongo DB文档型数据库进行知识存储。（2）面向文娱领域知识图谱的问答模型。本文通过文娱实体识别、候选答案生成和文娱问句-关系语义匹配模型实现本文基于文娱知识图谱的问答模型。针对人工标注大量问答模型数据需要花费大量人力和时间成本问题,本文将开放域问答语料与文娱领域问答语料进行融合,构建了本文问答模型实验数据集。针对文娱实体识别任务在问答模型中的重要性,本文采用BERT-BiLSTM-CRF模型抽取问句中的文娱实体,通过对比实验,证明该模型能够有效提升实体识别效果。针对BERT下游任务中只使用[CLS]位置的向量表示的不足,本文结合一维卷积和最大池化操作,设计了基于BERT语言模型的文娱问句-关系语义匹配模型,实现对BERT编码序列所有位置编码信息的融合,提升了模型识别相似关系的能力。（3）基于Web的文娱领域知识图谱问答检索平台。本文基于构建的文娱知识图谱和设计的文娱知识图谱问答模型,通过Flask后台开发框架、D3.js图形可视化框架、Boot Strap前端可视化框架等技术,搭建了基于Web的文娱知识图谱问答检索平台。该平台以网页的形式进行访问,为用户提供文娱图谱可视化、文娱图谱检索、文娱图谱扩展和文娱图谱问答等功能,满足了人们对文娱应用的日常需求。