El objetivo de la respuesta a preguntas de grafo de conocimiento es ayudar a los usuarios a responder preguntas utilizando la información almacenada en el grafo. Los usuarios no necesitan comprender la estructura de datos subyacente. Esta es una tarea difícil porque, por un lado, entender correctamente la semántica de un problema es difícil para las máquinas. Por otro lado, el creciente grafo de conocimiento inevitablemente conducirá a errores en la recuperación de información. Específicamente, la tarea de responder preguntas tiene tres dificultades: la abreviatura de palabras, el complemento del objeto y la ambigüedad de entidades. Un complemento del objeto significa que diferentes entidades comparten el mismo predicado, y la ambigüedad de entidades significa que las palabras tienen diferentes significados en diferentes contextos. Para resolver estos problemas, proponemos un método novedoso llamado la Red de Aprendizaje Segmentado. Utiliza diferentes modelos según diferentes escenarios para obtener una representación vectorial de la entidad del tema y la relación en la pregunta. La representación de la entidad de respuesta que produce el triplete de hecho más cercano, según una métrica de distancia conjunta, se devuelve como respuesta. Para oraciones con un complemento de objeto, utilizamos análisis de dependencias para construir relaciones de dependencia entre palabras y obtener representaciones vectoriales más precisas. Los experimentos demuestran la efectividad de nuestro método.