1.一种基于多粒度LSTM网络的深层语义匹配实体链接方法，其特征在于，所述实体链接方法包含以下结构和步骤：
(1)表面形式匹配：采用字符级别的双向LSTM网络(char-LSTM)，抽取实体指称、候选实体的表面形式特征表示，同时能够包含一定程度上的词本身的语义信息。
(2)上下文语义匹配：采用词级别的双向LSTM网络(word-LSTM)，对实体指称所在句子进行编码，将其输出作为实体指称的上下文语义特征向量。采用实体在知识图谱中的“结构上下文”，学习得到候选实体的上下文语义特征向量。
(3)相似性度量：对于实体指称、候选实体的表面形式特征向量以及上下文语义特征向量，分别计算表面形式和语义的匹配相似度得分，将表面形式匹配相似度和上下文语义匹配相似度结合作为实体指称-候选实体对最终的匹配相似度得分。
2.如权利要求1所述的方法，其特征在于，所述步骤(1)具体包括：
(1.1)对于给定的包含T个字符的实体指称m，输入即是m的字符形式；
(1.2)输入通过词向量层，将每个输入单元的字符转化为对应的字符向量；
(1.3)转换后得到的字符向量作为双向LSTM层的输入；
(1.4)取双向LSTM层最后的隐藏层状态作为输出，即实体指称m的表面形式特征向量。
3.如权利要求1所述的方法，其特征在于，所述步骤(2)具体包括：
(2.1)给定实体指称m及其所在的句子sen，将sen的每个单词都转换为对应的词向量；
(2.2)对于第i个词，将其词向量与位置向量拼接作为LSTM层的输入；
(2.3)将双向LSTM层的所有单元的输出输入到attention层，对各分量进行加权和非线性变换；
(2.4)采取知识表示学习的方法TransE，利用实体的结构化“上下文”来学习实体表示，得到候选实体的上下文特征向量。
4.如权利要求1所述的方法，其特征在于，所述步骤(3)具体包括：
(3.1)对于实体指称、候选实体的表面形式特征向量以及上下文语义特征向量，分别计算表面形式和语义这两个层面的相似度得分；
(3.2)将表面形式匹配相似度和上下文语义匹配相似度结合作为实体指称-候选实体对最终的相似度匹配得分；
(3.3)计算每个候选实体与实体指称之间的相似度得分，选取得分最高的实体作为最终答案。