自然语言处理是人工智能领域的重要研究方向,词表示作为自然语言处理工作中的基础工具也越来越成为研究的热点之一。目前流行的词表示学习的方法主要遵循分布假说。基于这项假说的分布语义模型多依赖于大规模的文本语料库,这也给词表示在准确性上造成了局限性。一方面研究表明,针对专门领域的语料库训练出来的词表示在一些特定任务中表现的效果更好,另一方面也表明语料库越大,训练出来的词表示效果越好。那么如何解决因语料库规模增大而导致领域混杂所带来的损失是本文研究的重点和难点。针对以上问题,本文提出使用知识库来增强词表示能力。鉴于知识库提供了词汇项之间精确的语义关系,利用这一特征恰好来弥补大规模语料库中目标单词上下文之间领域模糊问题。一方面,本文将知识库提供的词汇项关系作为一种“精确”的上下文加入到目前流行的分布语义模型中,另一方面,相较于前者知识库作为一个整体加入训练,针对知识库关键词之间的强弱关系特征,再次使用知识库来加权调节目标单词的词表示,进一步提升词表示质量。最后,针对知识库提供的大量词关系对,对于一词多义的目标单词,在其众多词关系对中加入聚类算法从而分类训练出一词多义的词表示。实验结果中,针对训练出的词表示质量的衡量,本文不仅选用目前流行的标准测试集,包括Word Sim353,SimLex999,TOEFL等,还构建了一个新的标准测试集,IQ-Synonym-323,其包含了 323道人类智力同义测试集。通过现有模型和本文提出的模型分别在该数据集上和常用数据集上的评估,不仅说明了本文模型相较于现有模型的效果有所提升,同时也反映出该全新数据集的适用性。