本文对基于词向量的化学领域知识发现进行了研究。随着数宁化信息的迅速增长，以及信息处理技术的快速发展，人们希望能够自动、快速、准确、高效地从海量信息中定位、查找、发现有价值的信息和知识。知识发现是将信息转化为知识的过程，建立在理解文本语义信息基础上的知识发现过程，才能更好地挖掘出蕴含在文本中的知识。由于知识在文献中的表示具有抽象性、非结构化、潜在性等特点，因此通过共现、规则和关联等数据挖掘方式很难在体现词的语义性和句子的语法性下进行知识发现工作。中文文本处理的基础是分词，即将句子或是文章分隔成相互独立的词单元。独立的词单元导致大量信息被遗漏，例如词在句子中的语法信息和词间的语义信息。同时，词是符号单元，只能做字符比较或是简单的统计处理。在知识发现中通常要使用更为复杂的计算方式，用以挖掘隐藏于文献中的知识元素。因此，需要包含更多词特征且能够满足复杂计算的词表示方式。词向量以多维实数向量表示词单元，通常使用深度学习算法对大量文本训练得到，其中，向量的每一维可以表示词的某一种特征。本文将词向量应用于知识发现领域，并改进整个过程中重要的环节，包括分词优化模型、结合词类别的词向量模型和领域知识发现模型。