概念图谱是具有层次结构的等级概念图,表征概念之间的上下位关系,通常通过语义关系的挖掘和分类层次的推理构建而成。在大数据环境下,概念图谱对网络数据的分析推理具有重要意义,且在个性化推荐、问答系统和Web检索等应用中发挥着重要的作用。构建概念图谱的首要问题是从数据中提取实体特征及其之间的关系,其次是通过无监督学习方法或者监督学习方法进行概念图谱的构建或扩展。现有的面向文本语料数据的概念图谱构建方法大多采用两种方式,基于模式的多任务方法和基于聚类的方法。然而,基于模式的方法,定义的模式单一,忽略了较远词语之间的语义关系,构建的概念图谱漏检率高且覆盖面较低;基于聚类的方法,通常是基于语义相似性进行分类,其前提是语料库是由数量规模大,类别多样且均衡的数据组成,聚类的方法在大规模数据上计算复杂度较大,且依赖较强的假设性。本文针对上述问题,提出了基于图神经网络的概念语义表示方法和基于联合相似度的领域概念图谱构建方法,主要的研究工作如下所示:（1）针对基于模式的方法构建的概念图谱大多忽略了跨文本且距离远的语义关系的问题,本文提出了一种基于图神经网络的概念语义表示方法（GNNTaxo）来捕获概念的语义特征。具体来说,GNNTaxo利用点互信息（Point-wise Mutual Information,PMI）和节点连接,对语料库中的文本数据进行建模,构建了一个既包含概念全局相似节点语义特征又涵盖概念局部结构特征的图数据,并通过文本分类任务完成概念语义表示的提取。GNNTaxo利用文本分类任务在两个真实数据集上的准确率都有所提升,从而证明了提出的基于图神经网络的概念语义表示方法可以捕获较好的语义特征。（2）针对基于聚类的方法使用简单的相似语义进行分类,忽略概念共现相似性的问题,本文提出了一种基于联合相似度的领域概念图谱构建的方法。具体来说,该方法利用概念语义表示的联合相似度提取词对关系,运用概念熵推断上位词,并提出两个规则进行节点融合,构建覆盖面较广的领域概念图谱。在两个数据集上通过两种不同的评估方法进行评估,本文提出的方法较其他基准实验都有较好的表现,从而验证了提出的基于联合相似度的领域概念图谱构建方法的有效性。