自动问答是自然语言处理领域内的经典问题。随着知识库的快速发展,越来越多的开放知识库被建立起来。知识库作为一种优秀的知识结构化存储和组织方式,既可以结构化存储海量的知识,还可以保存知识之间的联系。但是知识库的结构化存储模式(例如,RDF),让用户很难直接获取其中的知识,而问答系统可以在用户和结构化存储的知识库之间架起一座桥梁。以知识库为基础的问答,可以充分发挥知识库的优势,快速地提供知识服务。自然语言是理想的人机交互方式。通过问答,人们可以方便地自主获取知识库中结构化存储的知识。但是自然语言与结构化存储的知识库之间存在的语义鸿沟以及知识库中海量的事实都为问答带来了很大的挑战。如何快速让计算机理解自然语言并快速检索出对应答案具有重要研究意义。本文主要研究面向简单问题的知识库自动问答方法,简单问题是指问题可以由知识库中的一条事实(subject,predicate,object)来回答。本文的主要研究工作如下:(1)研究了基于pipeline的自动问答方法,将问答任务分解成实体检测和关系检测两个子任务,通过建立实体识别模型、关系匹配模型来共同完成问答任务。此外通过建立问题与实体类型的匹配模型,利用上下文信息提升了问答效果。(2)研究了基于端到端的自动问答方法,将实体检测和关系检测两个子任务合并,融入到一个框架中。通过循环神经网络对问题、实体和关系进行编码,将三者的语义向量映射到同一语义空间,然后再分别计算实体、关系与问题语义向量的余弦相似度,从而实现对候选答案的排序与选择。针对端到端模型,本文提出了一种有效的负采样方法。(3)构建了融合上下文信息的多任务端到端模型,在SimpleQuestion数据集上,对比现有的端对端模型,准确度从71.2%提升到了71.8%,并且模型训练时间从48h减少到4h。针对端对端问答实验结果,进行了错误样例分析。根据错误样例分析,分别研究了自注意力机制、实体候选集大小以及负样本比例对于模型训练效果的影响。