文法具有可以处理复杂的嵌套结构的优秀特性,完备的文法库是问题自动理解的质量与精度的基本保障。若能将统计方法引入到设计文法的各个阶段,将能极大地提高系统的整体效率及文法的覆盖度。咨询语句文法学习是指从这类文本文档中,通过研究知识获取的方法,在反复实验后学习出文法。随着信息技术的发展,以文本形式存在的咨询语句文档是一种重要的用于知识获取的知识源。但是,由于咨询语句数据规模较大,手工设计文法具有很大的局限性。由于咨询语句文档存在庞大的数据,直接进行文法学习会很耗费时间,本文提出了两种预处理的方法：其一,提出无关语的概念并进行了无关语的识别,人工整理部分无关语作为种子无关语；其二,提出了一种基于种子无关语自动识别的方法。预处理之后再聚类出相似问题的集合,在识别咨询语句中的无关语后进行咨询语句的相似度计算会更加准确。进而本文提出一种基于2-gram句子间相似函数的层次聚类方法,聚类后的结果是一个个集合,每个集合中咨询语句的语义基本相同。模式在咨询语句中频繁出现,具有明显的文法特性。为了寻找自然语言的咨询语句中词类之间的特殊内在关系与规律,特别是词模之间的语义关联性及词模的结构特征,本文采用带有平均间距限制的k-频繁序列(k=2)覆盖作为判断词模质量的标准。首先通过频繁序列算法获得k-频繁序列,然后计算出每条词模的覆盖度。在海量的语料库中,无法人工阅读并提取词条之间的语义关联,但是可以通过概率和间距提取词条之间的语义关系,实验表明该方法有效。本文提出的文法学习方法综合考虑了可选项和歧义项的处理。本文提出的文法学习方法具有良好的普适性,可以在电信等许多领域应用。