随着网络文本数据日益增长,文本之间错综复杂的关系也亟待梳理,但庞大的数据量和专业的领域知识,令人工确定文本之间的关系非常困难。因此,利用计算机技术自动发现不同文本的关联性,以加深对于特定文本的理解非常重要。本文针对内容关联任务中文本长度较短、内容专业性强及语料数据不平衡等特点,探索了文本特征及相似度计算方法的选择和融合、特征压缩及优化、显著负例的选择三个问题,以期有效提升内容关联任务的效果。为了解决上述三个问题,本文首先尝试了多种文本特征,并重点研究了隐含狄利克雷分布模型,探究文本在主题上的分布情况,构造了主题特征向量及特征矩阵。在此基础上,分别应用了无监督的方法和有监督的方法来计算文本的关联性。无监督方法包括多种基于统计学的相似度计算方法,主要有Jaccard相似度、Cosine相似度、IDF相似度、WordNet相似度等,与以往研究不同,本文将特征分析与相似度计算过程视为整体,探索出了多种特征之间的融合规则。有监督方法包括卷积神经网络模型和生成式对抗网络模型,为了使主题特征适应卷积神经网络结构,本文使用主成分分析(Principal Component Analysis,PCA)和奇异值分解(Singular Value Decomposition,SVD)对主题特征矩阵进行降维,并且通过计算相似度矩阵向特征中加入相似度信息,实验证明可以有效提高神经网络的训练速度和结果。最后,针对内容关联任务及相似任务中常出现的负例过多,即数据不平衡问题,本文深入研究了生成式对抗网络的原理,通过将负例分为DNS和SNS两种,提出SSD和SRSD方法,使用相似度选择和判别器奖励模块替换生成器,为判别器提供了更加显著的负例,实验证明在处理不平衡数据时,其效果要优于原始生成式对抗网络。