基于RDF数据（如知识图谱）的问答技术已取得显著进展，涌现出多个优秀系统，能够为自然语言问题或简略查询提供清晰明确的答案。部分系统在回答过程中引入文本资料作为额外证据，但无法处理仅依赖文本即可得出答案的情况。相反，信息检索（IR）与自然语言处理（NLP）领域虽已针对文本问答开展研究，但这类系统极少利用语义数据或知识资源。本文提出一种面向复杂问题的统一方法，可在融合RDF数据集与文本语料库的混合环境，或单独使用任一数据源的情况下，实现无缝运行。该方法名为UNIQORN，通过使用微调过的BERT模型，实时从RDF数据和/或文本语料库中检索与问题相关的证据，构建上下文图（context graph）。所生成的图通常包含所有与问题相关的信息，但也包含大量噪声。为应对这一挑战，UNIQORN采用基于图的Group Steiner Tree算法，在上下文图中识别最优的答案候选。在多个涉及多实体与多关系的复杂问题基准测试中，实验结果表明，UNIQORN在全训练模式下以及零样本（zero-shot）设置中，均显著优于当前最先进的异构问答（heterogeneous QA）方法。该基于图的框架还为整个问答过程提供了用户可理解的证据支持，增强了系统的可解释性。