针对人工智能对话系统中查询文本存在实体错误导致对话摩擦的问题，现有的基于知识图谱的查询重写模型，缺乏自学习能力，在部分专业领域场景存在跨领域适应性差，导致其在实际应用中效果不佳。因此提出了一种基于自动构建对话特定知识图谱的查询重写模型(Query Rewriting Model based on Knowledge Graph Construction and Entity Correction，QR-KGCEC)。首先，通过动态构建专门针对对话场景的知识图谱，利用历史对话信息实现实体校正；其次，结合错误跨度识别与正确实体预测的双阶段机制，有效提升查询重写的准确性；此外引入自学习机制，能够在对话过程中不断更新知识图谱与优化实体预测，提升系统对新实体与跨领域场景的适应能力。结果表明，在New York Times和NewsKG21等公开数据集上显著优于如KG-ECO和gUFS-QR方法，其中在New York Times数据集上正确触发率提升了159.8%，在NewsKG21数据集上提升了131%。消融实验进一步验证了模型各组件的有效性与整体性能优势。