互联网的快速发展催生了大量的文本数据,这些丰富的文本信息如何学习并进行有效表示成为了自然语言处理中的热点问题。词表示学习是文本信息表示的基础问题,通过参数化对词进行有效表示。研究者提出了大量词表示学习方法,主要通过词的上下文学习当前的局部语义表示。但是此类方法无法获得词的全局语义信息,导致词表示不够准确。主题发现模型,如LDA(Latent Dirichlet Allocation),可学得词的全局主题语义信息,但使用词袋模型不考虑词语顺序忽略了词的局部语义信息以及其他语法特征。2014年以来,研究者提出一些将词表示学习和主题发现结合的方法,利用主题发现丰富词表示的语义信息,同时利用词表示提高主题发现的准确性。随着图表示学习的发展,网络结构数据受学术界和工业界的关注,近来有研究利用网络表示学习方法实现文档的语义表示。但现有方法主要学习文档级的语义表示,不能学习词粒度的语义表示,且词的许多语义信息可通过词间的各种网络体现,因此,有必要研究词网络的构建以及基于词网络的词表示学习和主题发现方法。主要研究内容包括:(1)根据文本与网络的相似性,考虑文本的自然语言特征,基于词共现、词性、句法分析等角度对文本进行分析。将词视作节点,词间关系视作连接权重,设计一种融合多类型词间关系的词网络构建方法,并通过真实数据分析获取词网络。(2)提出一个融合词表示学习和主题发现的概率生成模型,同时实现词表示学习和主题发现任务。该方法基于上述词网络,利用网络表示学习方法对词网络结构进行训练,融合词的局部邻近词和词的全局主题信息,实现词表示学习和主题发现。实验结果表明,我们的方法在与经典的NLP(Natural Language Processing)方法进行对比均有提升。