知识库问答系统的目标是根据用户自然语言问句从知识库中找到可以回答该问句的三元组,并直接返回给用户一个准确的答案。大规模知识库的发展推动了工业界和学术界对于知识库问答系统的研究。本文主要研究知识库问答系统中涉及到的一个关键技术:关系映射,即自然语言问句到知识库中关系的映射。关系映射技术面临的一个重要挑战是如何学习表达方式多种多样的自然语言问句与高度结构化的知识库三元组中的关系的语义匹配问题。本文将针对当前关系映射技术研究中存在的不足,研究更为有效的关系映射技术,并将其应用于知识库问答系统的构建中,验证其效果。为此开展的具体工作内容包含以下两个方面:其一,本文提出了一个基于孪生结构的自注意力机制双向LSTM关系映射模型SSABLM。模型包括如下几个部分:首先,模型分别接收自然语言问句和候选关系的字向量表示;其次,采用基于孪生结构的编码器对二者进行编码得到语义表示向量,其中的孪生网络通过参数共享有效地减少了模型的参数量和复杂度,编码器采用双向LSTM并引入了一种新颖的自注意力机制,可以根据当前输入信息学习需要关注的重要区域;然后,对问句和关系的语义表示向量进行多种方式的向量融合,得到语义特征增强的深层语义表示;最后,经过两层前馈神经网络计算问句和关系的语义匹配程度。在NLPCC-ICCPOL 2016会议发布的知识库问答数据集上进行的实验表明,本文提出的SSABLM模型与其他基线模型相比,关系映射的准确率得到了明显提升。其二,本文将所提出的关系映射模型用于知识库问答,设计并实现了一个知识库问答系统。遵循软件工程开发流程,首先对知识库问答系统的需求展开了分析,而后进行了系统的设计与实现,最后对该系统进行了测试。系统测试显示,该知识库问答系统功能完善,能够较好实现系统需求。