伴随着近几年机器学习与深度学习的发展,计算机视觉、统计自然语言处理以及语音识别领域得到了较大发展。在统计自然语言处理方面,语义理解一直是研究的重点任务,词语之间的语义关系分类则是语义理解的重要环节。语义关系分类是自然语言处理中一项具有挑战性的任务,在实际的应用中,我们需要识别词语之间不同的语义关系。例如在情感分析中,我们需要识别具有对比意义的词语,在信息检索的查询扩展中,我们则需要区分目标词的同义词和下位词。在语义关系分类的研究方法中,有语义词典匹配方法,这类方法通过搜索语义词典匹配词语之间的语义关系。高质量的中文语义词典有同义词词林,HowNet语义知识库等。使用语义词典进行语义关系分类无需建立模型,同时该方法简单,高效,易于理解,但是一部高质量的语义词典并不是很容易得到,除了要消耗大量的人力,物力进行构建,还需要定期进行更新维护,而且该方法无法处理未登录词。基于机器学习的方法在一定程度上克服了语义词典的缺陷。目前成熟的机器学习算法有很多,比如LR(Logistic Regression),马尔科夫模型等等。这类方法大致步骤都是通过将词语向量化,然后使用机器学习算法建立模型。虽然该方法一定程度上克服了语义词典的缺陷,但是在精度上却没有语义词典的精度高。近几年,深度学习技术得到了较快发展,通过建立神经网络模型或者深度神经网络模型,使得一些多年来的难题得到了一定的解决。为此,本文采用神经网络模型进行语义关系的识别。使用神经网络建模,需要明确网络的输入以及输出,还需要防止网络的过拟合问题。本文设计了网络的输入,使得整个输入层能够包含所有的语义信息,同时引进一些防止网络过拟合,提升网络性能的算法,例如dropout,正则化,指数衰减学习率等等。