在物流行业中,交通运输作为行业工作核心环节,其作业流程不可或缺且服务质量把握上下游工作流通命脉。交通运输监督是发展社会经济、维护城市秩序的重要前提和基础,随着我国人民生活水平不断提高,技术革新与信息智能受到广泛关注,人工智能应用越发普及。其中智慧交通正是以交通领域各项科技创新为具体体现与载体,加强交通运输监督服务,提升智慧交通的治理能力和服务水平,智能化技术融入不仅减轻人类劳动力,还能提升工作生产力。关于如何很好的运用人工智能技术,在交通运输治理问题上,营造为用户良好解决问题却不增加人工成本不降低工作效率,成为政界和学界共同关注的重点问题。交通运输监督服务问答系统可为用户解决,在物流作业中交通运输遇到问题的实时在线咨询,其中本文研究知识图谱的技术及应用设计可解决在使用中存在无响应、答非所问、仅支持单轮问答,对于稍复杂的问题回复效果等问题。基于此,本研究主要回答三个问题:物流运作中交通运输领域应该怎样对用户咨询主题信息进行更好的分辨?如何通过关键算法设计提高信息检索的准确率?如何使知识图谱中信息抽取技术更好的应用在问答系统中并抓取信息进行答案反馈?自然语言咨询问句实体信息的准确性,会影响智能问答系统所需构建问答知识图谱中信息抽取技术的整体效果,其中不仅直接影响到事件主题、要素的提取以及实体关系的抽取,且间接影响问答知识图谱中答案搜索、决定事件分类与知识逻辑管理精确度。为进一步提高客户语音问句实体信息抽取的准确性,增强智能问答系统知识图谱中信息抽取技术的整体效果。本文首先对语义标注进行优化,随后在Bi LSTM-CRF（Bidirectional Long Short-Term Memory Conditional Random Filed）基础上加入BERT（Bidirectional Encoder Representation from Transformers）模型对句子进行实体抽取学习。在具体实验中,以语音问句事件文本为数据来源,对其进行语义标注和实体抽取实验。结果表明,在语义标注优化的基础上同时加入BERT改进模型,信息抽取结果均高于Bi LSTM-CRF方法,且改进模型的调和平均值达到91.53%,即可增强事件的信息抽取提供实践意义。