利用机器可读的人类知识来赋予计算机权力一直是人工智能的长期目标。通过知识收集的进步,这一目标取得了巨大进展。在过去几十年中,自动知识库构建引起研究团体的广泛关注,并在以实体为中心查询应答方面取得重大进展。知识图谱因存储有关常见实体的事实,自然成为语义搜索核心。如今,公开可用的知识图提供数百万个实体（例如人,组织,位置以及诸如书籍,音乐等创意作品）以及数十亿个有关实体的陈述（例如谁在哪里学习,哪个国家拥有哪个首都,或哪个歌手演奏哪些首歌）。但用户查询需要过程知识而不是实体相关事实情况下,当前知识图没有足够的资源来满足用户需求。另一方面,关于现实世界许多常识性知识是以过程或动作序列形式出现。来自搜索日志的查询分析研究表明,大量的用户查询涉及面向任务查询。不幸的是,大多数正在使用的知识图谱和常识知识库都缺少这些知识。为增强语义搜索和其他智能应用程序的功能,计算机需要超越实体并包含对日常对象,人类活动等世界属性的更广泛理解。这项工作着重于收集过程知识而不是面向任务的查询应答。“如何使用指压法来阻止恶心”或“如何自然地帮助消化”就是此类查询的例子。为回答这些问题,我们提出并实现了 HelthAidKB:卫生保健的过程知识库。这项研究工作的主要目的是构建一个针对机器可读域的高精度过程知识库,其中包含来自Web社区的任务框架,并将其用于下游应用程序,例如语义搜索,搜索任务建议,查询扩展等。本文的主要贡献如下:（1）我们已经建立了一个医疗保健计划知识库,即HealthAidKB.为了构建HealthAidKB,我们在网上使用专家策划的半结构医疗资源。我们开发了一系列方法,使用开放信息提取工具通过接入在线社区提取过程知识。首先,我们使用网络爬网技术从在线社区中提取针对该领域的知识。为此,我们开发了 python爬虫。爬虫结果将作为Open IE工具的输入,用以提取结构化知识,这将为我们提供任务框架。提取的任务通过分类归纳和进一步的属性提取在管道中处理,以增强结构化知识。管道中的知识组织阶段具有聚类方法.用于根据任务要解决的问题相似性将任务框架规范化为聚类。为此,我们实现了层次化的聚合聚类技术。由此产生的专有技术知识库HealthAidKB包含超过71K个任务框架,这些任务框架按层次结构进行分类;并可以用于许多应用程序,例如语义搜索,数字个人助理,人机对话和计算机视觉。我们的知识库综合评估显示出很高的准确性。（2）为展示我们知识库的有用性,我们进行了两个实验:（i）面向任务的查询应答,以及（ii）在外部相关案例中搜索相关YouTube视频以进行面向任务的查询。对于第一个问题,我们研究了面向任务的查询是否可以从我们的过程知识库中获得增益。为此,我们设计了检测面向任务查询的方法并开发了使用查询扩展概念来回答面向任务查询的搜索任务建议方法。我们使用知识库HealthAidKB中任务框架的属性进行查询扩展和子任务挖掘。我们通过从AOL查询数据集中收集的查询评估结果。与参照系统相比,搜索任务建议评估的结果显示出更高的准确性。第二个实验评估我们的知识库在外部使用方面的有效性。在YouTube查找相关视频时,我们使用一个用例场景来评估对知识库的外部评价。为此,我们从知识库中嵌入的YouTube视频构建真实的数据集,以衡量检索到的相关视频的覆盖率。与基准系统相比,针对基本事实的外部评估结果也显示我们系统有更好的表现。（3）我们的程序知识库HealthAidKB可免费发布以供公众访问。