为了让计算机理解人类语言,词向量方法将每个单词的语义用一个低维稠密的向量表示,这是自然语言处理领域的一个重大突破。然而,自然语言存在着一词多义现象,词向量方法将单词的多个词义融合为一个向量表示,造成了含义混淆。为了解决这个问题,以单个向量表示词义的词义向量成为近年来一个新的研究方向。构建词义向量首先要获取单词的词义目录,然后生成每个词义的向量表示。当前已有的词义向量构建模型定义的词义目录不够准确,生成向量表示的过程过于简单。基于语义图聚类的词义向量构建模型是针对这两个不足的改进模型。该模型将单词的词义分布关系构建为语义图,根据改进的图聚类算法划分词义簇,实现了动态的词义感知。并且该模型不直接指定词义向量的生成函数,而是首先将词义簇通过Page Rank算法筛选得到词义中心词,设置词义向量靠近词义中心词等区域的优化目标,然后迭代求解词义向量关于词义中心词的词向量的映射函数。为了展示词义向量在下游任务中的应用,该模型将构造好的词义向量融入到词义消歧和实体消歧两个消歧任务中,在传统方案上进行改进。其中,词义消歧任务在通用领域进行研究,针对传统方案需要大量标注数据的缺点,该模型实现了一种将词义向量计算的局部可信度和全局流行度相结合的新方案;实体消歧任务在制造领域进行研究,针对传统方案中用词向量表示语义引起的歧义,该模型实现了一种利用词义向量计算的语义特征训练分类器的新方案。实验部分使用三个数据集分别评估词义向量的质量和词义向量在两个消歧任务中的表现,结果表明,在这三方面基于语义图聚类构建的词义向量相较于当前最优的Glo Ve词向量和CWMS词义向量均有3%-4%左右的提升。