本文面向旅游领域,对蒙古文自动问答系统展开研究。本文设计的自动问答系统的框架如下:首先,构建旅游领域的蒙古文知识图谱。其次,对问句进行命名实体识别。然后,对问句进行关系词抽取。最后利用实体链接技术将关系词和实体词从知识图谱中进行搜索从而生成最后的答案。根据上述自动问答系统的流程,本文的具体研究内容和创新点如下:1.本文构建了蒙古文旅游领域的知识图谱。首先,本文运用爬虫技术从携程、去哪网、途牛网等旅游网站爬取HTML页面,抽取其中景点的三元组信息。其次,利用Synonyms工具包对冗余的三元组进行数据融合。最后,将得到的汉文三元组信息经过机器翻译、人工校对等方式进行处理得到蒙古文三元组信息。通过上述工作获得了20567个三元组,知识图谱节点数为43453,包含全国14个省的2342个景点信息。2.本文利用蒙古文构词和语法特点,提出基于蒙古文词素切分的BERT(B idirectional Encoder Representations from Transformers)机制的预训练模型(Mo-rpheme segmentation combine BERT,MS-BERT),并搭建了蒙古文命名实体识别系统。首先,将蒙古文单词进行词素切分并构建新的词表。然后,将词表送入到模型中进行训练得到MS-BERT语言模型。最后,将语言模型作为输入,使用双向长短期网络(Bidirectional Long Short-Term Memory,Bi-LSTM)联合条件随机场(Conditional Random Field,CRF)进行标签的预测和分类。实验表明,使用MS-BERT语言模型相较于传统的词素向量在蒙古文命名实体识别任务上有着更好的性能,F值提升3.66%。3.本文利用MS-BERT语言模型,提出了基于MS-BERT联合卷积神经网络(Convolutional Neural Networks,CNN)的蒙古文实体关系抽取模型,并搭建了蒙古文实体关系抽取系统。首先,构建了一个基于MS-BERT的关系抽取模型作为基线系统。然后,将MS-BERT语言模型嵌入到CNN中,并且在卷积神经网络的嵌入层设计三个离散特征帮助进行分类。实验表明MS-BERT+CNN模型相较于基线系统表现较好,F值提升了3.5%。4.利用构建的蒙古文知识图谱以及命名实体识别系统和关系抽取系统,搭建了面向旅游领域的蒙古文自动问答系统。通过实验测试系统,本文所搭建的自动问答系统F值达到了74.09%。