随着互联网的快速发展,网络资源呈现爆炸式增长,信息的过度膨胀对知识检索、管理及应用都提出了巨大的挑战。本体作为一种知识组织方式,能有效表示领域知识,从而实现语义层面上的各种研究,提高管理和获取知识的效率。本体主要由本体概念和本体关系两部分构成,由于手工构建本体较为困难,因此研究本体概念和本体关系的自动抽取具有重要的理论意义和实际应用意义。本文主要研究了两个本体学习方法,用于从中文领域语料中(半)自动化地学习本体概念及本体关系,主要研究内容:(1)本体概念学习方法研究。本体概念是本体学习的重要组成内容,为提高领域本体(半)自动构建的有效性,本文研究了一种基于领域语料库的本体概念学习方法。该方法首先通过原子词步长法和信息熵自动抽取候选术语集合,然后采用领域隶属同义词法从候选术语集合学习领域专有术语集合并合并同义术语,最终得到领域本体概念集合。该方法简单易用,通过信息熵能大幅降低候选术语集合中的不成词比例,对扩展本体术语集合、构建本体概念集合有积极意义。(2)本体关系学习方法研究。为提高本体关系抽取的准确率,本文提出一种基于神经网络的本体关系学习方法,首先利用Word2Vec模型构建概念向量模型,然后通过计算概念相似度得到概念对关系向量模型,再采用卷积神经网络构建本体关系分类模型,并将分类结果交由领域专家进行修正,最终获得本体关系集合。该方法在对人工标注数据集的训练学习后,能准确有效地区分概念关系,并能运用在多个领域。为验证所提方法的有效性,对本文研究的本体概念和本体关系学习两个方法,在复旦语料库上进行多次实验。实验证明,本文提出的本体概念学习和本体关系学习方法具有较好的性能,能够一定程度地支持本体构建过程中的自动化。