词义消歧(Word Sense Disambiguation)是自然语言处理领域历史最悠久的任务之一,属于人工智能完备问题。该任务的目的是根据给定上下文的语境,利用计算机自动确认歧义词的正确词义。词义消歧是自然语言处理领域中各个主要任务的关键子任务,能够帮助包括机器翻译、信息检索、信息抽取、问答系统、聊天机器人等在内的重要应用进行性能提升。而随着这些应用在人们日常生活中使用频率不断升高,使得解决词义消歧问题的重要性日益增加。近年来,众多相关研究在词义消歧问题上陆续展开,这些研究各自通过不同的方式对词义消歧的精度或速度进行提升。其中,词嵌入技术因其能将词表示为固定长度的向量表示,且能很好捕获词的语义信息,因此近年来广泛应用于词义消歧中。然而目前的词嵌入技术如Word2Vec、Glo Ve、C&W等,将每一个单词表示为单一的词向量,难以体现单词的多义性,进而影响到词义消歧的性能。首先,为解决每个单词被表示为单一向量造成词义混淆的问题,本论文提出一种主题词嵌入的方法。该方法将主题模型和词嵌入技术相结合,利用LDA算法进行主题模型训练,基于Word2Vec进行词向量的生成,从而得到每个主题对应的主题词向量。在主题词向量基础上结合上下文的主题分布生成最终的歧义词向量,将歧义词向量作为特征集成到有监督词义消歧系统中进行词义消歧,在评估数据集Sem Eval2013和Sem Eval2015上的实验结果表明了主题词嵌入可有效提高词义消岐的性能。其次,尽管主题词向量可有效地解决单一词向量表示的词义混淆问题,但歧义词向量的生成仅仅利用了歧义词本身的主题词向量,并未考虑其周边词对消岐效果的影响。为此,提出有效的上下文向量融合策略来解决这一问题。设计平均、分数衰减和指数衰减三种策略将歧义词以及周边词的向量进行融合生成上下文向量,最终将该向量作为特征集成到有监督词义消歧系统中进行词义消歧,在Sem Eval2013和Sem Eval2015数据集上的实验结果表明,基于指数衰减方式构建上下文向量仅有最好的词义消歧效果,且其消岐效果优于现有其他词义消歧算法,尤其是在名词上效果更为显著。