本文旨在寻找一种方法来增加含有一类特殊词的句子之间的WMD。WMD作为衡量文本间距离的方法具有很多优越性质,但对于诸如编号和特定称谓的一类词语,如果它们的替代性较强,则WMD可能将它们的距离计算得较近,这为实际的应用带来了不便。尽管这一现象的产生与神经网络进行的词嵌入有较强的关系,从词嵌入的角度进行修正往往需要附加额外的语料信息,而对于编号或是特定称谓,在实际应用中经常难以找到合适的语料信息,因而需要寻找不借助额外语料信息的方法。本文使用从银行的智能语音问答系统中所提出的问句作为样本。为解决问题,本文提出三种方法,全部三种方法均未额外利用任何的语料信息,建立在以BOW表示句子中单词权重所计算出的WMD之上,且未对词向量进行任何改动。第一种方法旨在增加编号及特定称谓在计算WMD时的权重,其中权重的提升有一定上限;第二种方法旨在WMD求解之后距离的计算阶段,对包含有编号或特定称谓的那部分距离额外按照一定比例扩大,比例各不相同,且取决于这两个句子;第三种方法则是对所有含有编号或特定称谓的句子之间的距离都按一定比例进行扩大,比例各不相同且取决于这两个句子。对着三种方法进行理论分析表明,使用第一种方法进行计算,所得结果未必仍然能够满足距离的三角不等式条件,而其余两种方法所计算出的结果仍然能满足距离的全部性质。此外,第二种和第三种方案能从细节上保持原先按照WMD所构造出的距离模型的结构。其中第二种方法的理解更为直观,而第三种方法的预期效果更好。用来评价实验好坏的方法包含距离增加的比率、距离最大的增加值以及KNN错误率。其中,距离增加的比率旨在衡量在我们的方法下有多少需要增加的距离有实际上的增加,而KNN错误率则用来衡量新的距离下模型的结构相比于WMD的变化。结果显示,方案二与方案三的距离增加比率均达到0.998,方案二的KNN错误率增加了-0.0017,方案三的错误率增加了0.0011,而方案二的距离最大增加值比方案三小。方案一则在全部指标上表现不佳。因此方案一可看作是无效方案,而方案而与方案三对我们所面对的问题有效。