智能推理问答是知识图谱领域的重要研究方向,是在信息检索基础上以简单明了且不失准确性的语言为问题做出解答。近年来,图神经网络和知识图谱的结合已成为解决知识图谱推理问答的新手段。然而不全面的数据来源使得知识图谱比较稀疏,需要根据已有的知识对答案进行推理,从而对问答系统提供更好的支持,因此知识图谱推理问答具有很大的研究价值。针对现有神经网络推理问答方法存在推理过程透明度低、对答案的可解释性不足以及对多步推理问答缺少有效方法等问题,本文研究基于关系路径的知识图谱问答推理方法,主要工作如下:（1）基于知识图谱的关系路径图构建研究。本文提出一种问答概念关系路径图的构建方法,将从问答文本中识别的概念与知识库中的概念相匹配,通过查找问答概念节点间的路径,初步构建包含给定问答概念相关知识的关系路径图。并针对构建的关系路径中存在噪声三元组的问题,提出一种融合的三元组可信度测量方法,分别从实体层与关系层实现对三元组可信度的测量,最终构建出问答概念节点所组成的有效关系路径图。（2）基于图卷积网络的关系路径节点编码研究。针对传统知识表示中存在的实体表示的孤立性问题,受到知识图谱的节点利用其领域节点中的信息可以学得更完整更丰富的表示的启发,本文将图注意力机制引入图卷积网络,提出一种基于图卷积网络的节点编码方法,通过为关系路径图中的实体节点邻域中的不同节点分配不同的注意力,解决先前方法没有考虑为不同节点分配不同权重的问题,并对关系路径图中的节点进行编码。（3）基于关系路径编码的推理问答方法研究。在以上两点工作的基础上,提出基于长短时记忆网络与分层注意力机制的问答推理方法,利用长短期记忆网络对关系路径进行编码,并使用语言特征编码器对语句中的问答概念进行编码,在此基础上引入分层注意力机制为对于推理问答更为重要的关系路径信息和问答概念信息分配更高的注意力,最终构建出用于推理问答的基于关系路径编码的推理问答网络。