QA系統用于回答人們以自然語言形式提出的問題，其在互聯網、通信及醫療等領域獲得顯著的成功。其中，IBM研發的Watson系統就在與人類的答題比賽中獲勝并首次獲得100萬美金獎勵；蘋果的Siri系統成功運行于iPhone之中，改變人與iPhone的交流方式；還有很多其它的公司也成功研發文字或語音的QA系統，比如谷歌的Google Now、亞馬遜的Alexa和微軟的Cortana；另外，在醫學上面如Health Care，QA系統也幫助醫生與患者得到及時的交互。
　　QA系統依據其回答語料可以分為兩類，一類是常見的純文本形式，如網絡文檔、問答社區內容、搜索引擎結果、百科數據等。另一類則是知識圖譜，通常以RDF三元組的形式結構化表示。由于結構化的特點，QA系統相比純文本語料，往往可以提供更加精確和簡練的結果。另一方面，近些年涌現出了大批十億甚至更大規模的知識圖譜，包括WolframAlpha、Google Knowledge Graph、Freebase等。這些知識圖譜的出現保證基于其的問答系統的覆蓋率。所以，當前基于知識圖譜的開放領域QA系統是可行的。
　　系統架構
　　QA系統分為三層架構模型，分別為實體、語言和應用層，如下圖所示。
　　
　　其中最下層為實體層，其為上層模型提供最基礎的計算單元，包括了語義社區搜索、語義消歧義和同現網絡模塊；中間層為語言層，作為連接實體層和應用層的橋梁，其包含了具有一定語義信息的短文本；最上層則為集成的QA系統，包括了問題模板和深度學習模塊。
　　實體層模型研究
　　語義社區搜索
　　
　　如上圖所示，節點即代表單詞在語義社區網絡中的語義，邊則為單詞與單詞之間的關系，以此模型即可找到一個單詞所在的社區，以及單詞之間的相似度，如下圖所示pot和bowl為同一語義社區，有很高的相似度；pot和plate為不同的語義社區，其中兩個有兩個單詞交集，為中等相似度；pot和tube為不同的語義社區，其中只有一個單詞交集，為低等相似度