本体作为语义网络的重要分支,在信息检索、问答系统等领域扮演着重要的角色。而本体构建作为本体应用的必要前提,目前本体构建方法主要分为两类,一类为依靠本体专家手工构建本体,另一类为根据统计学和语言学等理论自动或者半自动构建本体,即本体学习。由于手工构建本体缺乏足够的灵活性和客观性,因此本体学习逐渐成为当前本体构建研究的主流方法。但是传统的本体学习方法存在领域可移植性较差等问题,并且基于网络文本的本体学习研究相对较少。因此本文基于互联网中文文本进行本体学习研究,其中主要包括语料库的构建和本体概念、分类关系、非分类关系的抽取,提升了本体学习方法的可移植性和性能。本文的主要内容及成果如下:(1)提出一种自动构建本体学习语料库的方法。传统的本体学习方法通常是基于已有的标注语料库实现的,难以利用复杂的网络文本进行本体学习。本文首先基于知识图谱获取领域词典,进而构建得到对应领域的领域向量空间模型。然后基于TF*IWF*IWF算法将网络文本映射为领域空间向量,并计算得到该文本与对应领域的相关度。最后根据相关度对网络文本进行过滤与预处理,从而完成本体学习语料库的构建。(2)提出一种改进的D-TF-IDF算法,以优化本体概念的抽取过程。由于传统TF-IDF算法无法区分文本对相关领域的重要程度,因此改进后的D-TF-IDF算法将基于领域向量空间模型计算得到的领域文本相关度作为文本权重,以提升对领域相关文本的敏感度。同时通过设置TF阈值过滤掉文本特有但与对应领域无关的杂质词汇,以优化本体术语的抽取效果。最后通过K-Means聚类算法对本体术语进行相似聚类,并进行消歧处理,从而完成本体概念的抽取。(3)提出一种基于知识图谱的本体分类关系抽取方法。在基于语义词典的传统抽取方法中,传统语义词典通常存在领域可移植性和更新及时性较差的问题,因此首先基于知识图谱获取对应领域的分类关系模板。然后针对分类关系抽取方法效率较低的问题,结合Floyd算法提出一种剪枝算法,实现对分类关系模板的剪枝优化。最后结合本体概念完成对本体分类关系的抽取。(4)对关系标签的抽取方法进行改进,以优化本体非分类关系的抽取过程。针对传统关系标签抽取方法有效性较差的问题,首先使用通用构词规则模板对复杂关系标签进行分解。然后根据关系标签与对应领域的相关度,将关系标签分类为领域动词与通用动词,进而分别使用相应的统计方法进行抽取。最后结合基于关联规则抽取得到的概念对从而完成本体非分类关系的抽取。综合上述研究内容,本文设计了一种本体学习实验框架,并从本体自身和应用两个方面与相近方法进行了对比实验。实验结果表明,相较于对比方法,本文所提出的本体学习方法不仅能够基于互联网中文文本构建得到有效的领域本体,还能在一定程度上提升本体概念抽取的准确性与本体关系抽取的效率和有效性。