Los sistemas de respuesta a preguntas basados en gráficos de conocimiento son tareas extremadamente desafiantes en el campo del procesamiento del lenguaje natural. La mayoría de los sistemas existentes de Preguntas y Respuestas de Bases de Conocimiento Chinas (KBQA) solo pueden devolver el conocimiento almacenado en la base de conocimiento mediante métodos extractivos. Sin embargo, este procesamiento no se ajusta a los hábitos de lectura y no puede resolver el problema de las palabras fuera del vocabulario (OOV). En este artículo, se propone un nuevo método generativo de respuesta a preguntas basado en gráficos de conocimiento, que incluye tres partes: construcción del vocabulario de conocimiento, preprocesamiento de datos y generación de respuestas. En la construcción de la lista de palabras, se utiliza BiLSTM-CRF para identificar la entidad en el texto fuente, encontrar los triples contenidos en la entidad, contar la frecuencia de las palabras y construirla. En la parte de preprocesamiento de datos, se adopta un modelo de lenguaje preentrenado BERT que combina características semánticas de frecuencia de palabras para obtener vectores de palabras. En la parte de generación de respuestas, se propone una combinación de un vocabulario construido por el gráfico de conocimiento y una red generadora de punteros (PGN) para señalar la entidad correspondiente y generar la respuesta. Los resultados experimentales muestran que el método propuesto puede lograr un rendimiento superior en conjuntos de datos WebQA en comparación con otros métodos.