词向量技术可以将文本中的词表示成低维连续的实值向量。在众多训练词向量的技术中,word2vec凭借其高效和易用性脱颖而出。虽然word2vec已经能够生成包含丰富的语义信息的词表示,但它仍可以被进一步改进从而使获得的词向量质量更高。一方面,word2vec捕获语料中的句间结构信息的能力较弱;另一方面,模型本身缺乏利用大量有价值的关于词的相似性信息的能力。本文针对以上两点提出了两个词向量的改进方法:基于句法占位符的词向量改进方法和基于反馈信息的词向量改进方法。为了增强word2vec捕获句间结构信息的能力,本文设计了一种叫做“句法占位符”的特殊结构。通过适当地向训练语料中加入句法占位符,word2vec模型就能从训练语料中学习到更多的句间结构信息从而使训练得到的词向量包含更丰富的信息。基于反馈信息的词向量改进方法利用模型的输出中所包含的词的相似性信息来改进分层softmax结构,从而让word2vec无需额外的字典库或知识库就能捕获到关于词的相似性信息。实验结果表明,这两种词向量改进方法都能明显地提升word2vec训练得到的词向量质量,得到包含更丰富的语义和句法信息的词向量。使用词向量技术训练得到的词表示以其良好的特性被广泛用来提升多种自然语言处理任务的表现。但在多数情况下,词向量都是被用作一些现有任务的输入特征,研究如何充分利用词向量的优良特性来解决一些实际问题的工作目前还非常少。对此,本文提出利用词向量来进行作品风格识别。特别地,本文基于词向量对作品的时代风格进行了深入研究,并利用词向量对作品的时代风格进行了表示、分析和识别。具体地,本文首先系统阐述了时代风格的概念,接着提出了一种叫做“时代风格向量”的特殊结构来表示时代风格。然后,基于时代风格向量提出了一种新颖的方法来量化时代风格差异,该方法可用于对比不同时代之间或不同时代的作品之间的风格差异。最后,针对实际应用场景,提出了一种基于时代风格来判定文学作品创作年代的方法。实验结果表明,这种作品年代判定方法能够有效地判定未知年代作品的创作年代,且相比于传统的作品年代识别方法更加易用和高效。