本体作为语义基础被广泛应用于信息检索、人工智能、语义网络和知识管理等领域。然而本体的构建和维护工作费时费力,影响了本体的广泛应用。因此,研究者们尝试利用机器学习、数据挖掘等技术辅助构建本体,提高本体构建的自动化程度,提出诸多本体自动、半自动构建的理论和方法。本文在总结现存本体自动构建方法的同时深入研究了基于FCA(Formal Concept Analysis)的本体半自动构建方法,构造具有语义支持能力的本体。用于支持急救知识问答系统,进行问题主题识别和概念的扩展。该方法主要包括:(1)基于PAT-Tree的统计分词。统计分词相对于其他分词方法的主要优点为能识别未登录词,这在形成本体的过程中起着重要作用;(2)领域特征选择。在文本分类聚类的任务中,如VSM模型,都需要文本的特征提取,如果文本的维度过大,会造成计算空间和存储空间的浪费,甚至无法计算,所以特征选择是必要的;本文在利用特征选择方法提取领域词汇的同时,通过人工选择出具有急救领域知识分类能力的主题词,将具有主题功能的特征词作为文本的属性,用于生成概念之间的结构。(3)基于问题答案集文本-主题词的形式背景生成,并用FCA构建本体。形式背景反映了文本和主题词之间的二元关系,FCA利用这种二元关系构造概念格,形成具有语义特征并有分类能力的本体。最后,该模型构造的本体通过急救知识问答系统进行测试,用准确率进行衡量,以验证本体构造方法的可靠性。实验结果表明,该方法能提高本体构造的自动化程度,构造的本体能提供语义支持,是可靠的研究方法。但同时构造过程中需要进行主题选择的人工裁剪和最终概念关系的人工修正以提高正确率。相对于人工构造的本体而言,机器学习方法构造的本体在局部具有相当的语义支持能力,但总体上略逊于人工本体。本文从应用的视角进行本体半自动构建的研究,为本体的自动构建提供了新的研究思路。