词的向量表示是以深度学习方法为主的自然语言处理核心问题。词向量被广泛地应用于多种自然语言处理任务当中,是一种有效的提升下游任务表现的方法。目前主流的词向量学习模型是基于分布假说的分布式词表示学习模型,然而该方法存在着一些问题。根据齐夫定律,语料中总是存在着大量的低频词。因为低频词的语言现象不丰富,所以导致低频词词向量的语义表示质量较差,不能较好地表示其自身的语义。本文针对该问题,提出了一种融合知网相关概念场的低频词增强方法。该方法无需借助语料,使用知网相关概念场作为低频词的伪上下文,二次训练低频词的词向量。实验结果表明,该方法取得了较好的实验结果,与基线方法相比可以更好地提升低频词的语义表示质量。融合知识的方法是一种有效的提升深度学习系统性能的研究思路。一般的融合知识方法都只考虑到了知识库中的元素,而没有考虑到知识库网络的结构。针对该问题,本文提出了网络表示学习驱动的翻新约束词向量学习模型。该模型首先将知识库中的元素和网络结构编码成向量,然后基于翻新约束指导词向量的学习过程。实验结果表明,本文提出的模型取得了较好的实验结果,可以获得比两个强基线模型语义表示质量更高的词向量。最后,综合本文提出的两种方法,构建了词表示学习系统,并且还对系统的设计和实现细节做了较为详细的阐述。