在面向限定领域的事实型问答系统中，基于模板匹配的问答是一种有效且稳定的方法。然而，现有的问题模板构建方法通常是在有监督场景下进行的，导致其严重依赖于人工标注数据，同时领域间可扩展性较差。因此，该文提出了一种改进Apriori算法的无监督模板抽取方法。对于限定领域问题样本，加入短语有序特征来挖掘频繁项集，将频繁项作为问题模板的框架词；同时，使用TF-IDF来度量模板的信息量，去除信息量小的模板；特别地，为了获取项数较长的模板，为Apriori算法引入了支持度自适应更新机制；最终，借助命名实体识别进行槽位识别，并组合框架词和槽，得到问题模板。实验表明，该方法可以在限定领域的问答数据集上有效挖掘问题模板，并取得了比基线模型更好的抽取效果。