词表示是自然语言处理领域的基本问题,对自然语言认知、神经网络语言模型等领域的研究和应用具有重要的意义。分布式表示将词汇映射为低维稠密的实值向量,能有效捕捉词汇间的语义关联,是当前词表示的重要研究方向。分布式表示模型通常利用目标词与上下文的共现特征进行迭代学习,因此词表示的准确性与上下文息息相关。但现有词表示模型在上下文的构造和表示上仍存在着如下不足:(1)词表示学习中上下文的范围选择不科学。现有词表示模型在构造上下文时往往采用固有的上下文窗口或随机性策略,忽略词之间的句法关联,导致上下文与目标词的语义关联不充分。(2)词表示学习中上下文词对目标词的贡献量化问题。大多数词表示模型将上下文词同等对待,忽略各词对目标词的语义贡献存在着差异性,导致上下文表示不准确。针对现有词表示模型中上下文所存在的不足,本文结合依存关系与一种语义贡献量化方法对词表示模型中上下文的构造与表示进行优化。研究内容如下:(1)基于依存关系与语义贡献量化的词表示上下文优化策略。针对词表示模型中上下文的范围选择问题,提出一种基于依存关系的上下文构造优化方法。该策略将依存关系融入到上下文构造中,并对依存句法的差异进行衡量,以提高上下文与目标词的语义关联性;针对词表示模型中上下文词对目标词的贡献量化问题,提出一种基于词序与词性的语义贡献度计算方法。首先根据词性设计一种权重矩阵,然后利用该权重矩阵与词序加权函数对上下文词的语义贡献进行定量表示。在此基础上,提出一种基于依存关系与语义贡献量化的词表示模型EDW。(2)基于多阶依存关系的词表示上下文再优化。为了进一步优化词表示模型中上下文的构造与表示,在(1)的基础上提出一种多阶依存关系表示方法。将多阶依存关系集成到词表示模型的目标函数中,利用神经网络提高模型对依存关系中语义成分捕捉的准确性,使词表示模型能获得更具稳定并附有语义特征的上下文,进而提出一种基于多阶依存关系与语义贡献量化的词表示模型EMDW。本文通过词相似性、词类比和文本分类任务对EDW和EMDW模型进行了评测,验证了本文提出的上下文优化策略能够有效地提高词表示的准确性。最后,基于以上研究成果设计并实现了科技资源语义搜索引擎,并将其应用于佐创智推精准匹配平台,以便用户更精准、全面地对科技资源进行检索。