随着互联网技术的快速发展,人们可获取数据的规模和数据的复杂度都在急剧增长。传统的基于特征工程的机器学习方法由于使用具有维度灾难问题和语义鸿沟问题的One Hot向量作为特征表示,在性能上渐渐达到了瓶颈。随着深度学习技术在自然语言处理(Natural language processing,NLP)领域取得的成功,词向量表示技术作为深度学习的基础受到了广泛的关注。目前针对词向量的研究工作侧重于通过优化模型结构以减少模型复杂度或是利用跨语言信息、情感信息等因素来增强词向量的学习。但词性信息作为自然语言中重要的因素,几乎很少被考虑到,因此为了能够充分利用词性这一重要因素提出融合词性和位置信息的增强Skip-gram词向量学习模型。该模型借助已有的词性标注工具对单词进行词性标注,并通过构建单词间的词性关联关系矩阵对词性关联关系进行建模,再利用建模后的词性与位置信息帮助在给定目标词时预测上下文单词这一条件概率的计算,从而将单词间的词性关联关系与位置信息用于词向量的训练过程中,关联关系矩阵中的权值在模型训练过程中随着其他参数一同更新。最后将在不同的训练集上训练得到的词向量分别通过单词类比任务和单词相似度任务实验来验证新模型的有效性。实验结果表明提出的新模型在两类任务的性能结果上都有一定程度的提升,尤其对罕见字的学习效果更加显著。说明词性和位置信息在词向量的学习中扮演着重要角色。