平面学习媒体是指仅通过视觉传递知识信息的媒体,通常包括书籍、期刊、报纸、杂志。平面学习媒体增强系统为了打通平面学习媒体和信息系统的交互,依赖于词语的语义表示。当前存在一些对学习有辅助作用的系统,这些系统存在的核心问题是无法对平面学习媒体中的内容进行信息提取,并产生高质量的词语表示。同时,当前的基于窗口的词向量学习算法存在无法捕捉到不同窗口词的重要性的问题。为了解决以上的问题,本文做了如下的工作:1)对于平面学习媒体增强系统的发展现状进行了深入的调研,将系统的关键技术分析为OCR技术、词向量技术和推荐系统技术,并根据各项技术的重要性将词向量技术作为本文的核心研究问题。2)在dict2vec模型的基础上,本文提出了一种基于窗口词共现词频的差异化窗口词权重的词向量学习模型。该模型通过三个方法来使词向量能够表现出更加准确的词语相似性:首先该模型通过将窗口词划分为重要窗口词和一般窗口词,使得具有更高相关性的词能够占有更高的权重;其次,本文提出了一种对强弱词对进行排序的策略,使得更为重要的定义词能够尽早将自己的语义信息传递给其它词;最后本文提出,在使用定义词作为额外语义信息的基础上,增加窗口大小能够带来词语相似性的提升。根据本文在10个数据集上,3个窗口大小下的多组对比实验表明,本文所提出的方法能够使词语的相似性得到提升。3)基于本文提出的模型,我们设计并实现了一个平面学习媒体增强系统的原型系统。该系统由前端模块、OCR识别引擎模块、词向量模块、推荐系统模块组成。最后对于所提出的模型的多组对比实验表明,本文所提出的方法是有效的。同时,对原型系统测试表明,本系统能够完成对相关单词的推荐以及课程推荐的功能。