文本语义表示是自然语言处理的核心内容,也是文本理解、处理和搜索任务中最基本的工作之一。传统的文本表示方法通常无法充分建模文本的上下文信息,导致文本结构信息缺失、文本语义获取不充分。基于神经网络的方法虽然能获得相对较好的结果,但是其可解释性较差,严重影响了它的应用范围。考虑到知识在人类大脑中通常是以联想记忆的形式存在,论文从人脑联想记忆视角出发深入探究知识体系的内在结构,以探索一种新的文本语义建模技术,并就此展开相应的应用研究。不可解释性已经成为深度神经网络在更广泛应用道路的最大障碍,尤其是在大多数人机交互场景下。启发于人脑神经系统强大的联想计算能力,论文提出了一种新颖的、可解释的名词上下文语义表示模型——联想知识网络模型。该联想知识网络结构由纯粹的、不包含语义标签的联想关系组成。通过分析文本中名词间的近邻联想关系动态生成,同时引入了增量更新和约简重构策略。进一步地,针对文本写作这一智能纠错应用场景,论文研究设计了一种新颖的、可解释方法来实现名词上下文语义连贯性检查,作为文本语义表示模型的实际应用问题。在提出的方法中,首先将从文本语料库中学习得到的联想知识网络作为背景知识网络;然后基于背景知识网络计算待检测文本中名词实体间的多层次上下文联想耦合度特征;最后通过一个可解释的分类模型,如决策树,来实现名词实体的上下文连贯性检查和定位。论文中充分的实验结果表明,上述提出的方法在文本检错任务中可以获得优异的性能,完全达到甚至部分超过最新的基于深度神经网络方法所获得的性能。此外,论文从中文词性标注任务出发,提出了一种基于联想知识网络的中文词性标注方法。在新方法中,首先基于已有的词性标注集构建带属性的联想知识网络;然后将需要进行词性标注的句子放入联想知识网络中进行游走分析以生成多条游走路径;接着,引入路径演化强度概念对游走路径进行强度计算,从而得到最优路径;最后根据最优路径上节点及属性名称得到句子的词性标注结果。实验分析以及对比结果表明了新方法的有效性,为中文词性标注任务提供了新思路。论文所提出的文本语义表示方法在自然可解释性以及增量学习能力方面具有神经网络所不可比拟的优势。为发展可解释的机器学习方法,尤其在文本语义表示建模及其实际应用中提供了一种极具启发性的思路。