近年来,随着深度学习、神经网络等技术的涌现,词向量技术已经成功地应用在许多自然语言处理任务中,并成为这些任务解决问题的重要基础工具。词向量可以将单词信息表示为低维的实值向量,从而更好地捕捉单词的语义信息。跨语言词向量是词向量的自然扩展,不仅使我们能在多语言环境中对词义进行推理,还能借助迁移学习技术,在不同语言间进行结构和语义的对应建模。因此,如何构建高质量的跨语言词向量一直是近几年相关领域内的研究热点。目前跨语言词向量模型研究成果较为丰富,其中基于映射的跨语言词向量构建方法最为普遍。该方法旨在将两种预先训练好的单语词向量映射到共同语义空间中学习跨语言词向量。由于语言的差异性使得该方法的基本假设,即同构性假设并不一定适用于所有语言,特别是字母表存在较大差异、语法结构不相似的语言对。此外,大部分基于映射的方法是基于Word2vec等预先训练好的两种词向量进行映射来学习跨语言词向量,该过程仅考虑了语料库的局部上下文信息,而忽略了全局信息。针对上述问题,本文在前人的研究基础上,主要做了以下两个方面的工作:1、本文提出了一种基于主题单语词向量的跨语言词向量构建方法。在考虑语料库局部上下文信息的基础上,还充分考虑了语料库的全局信息。该方法首先将具有全局信息的潜在主题融合到改进的Word2vec模型中学习高质量的单语词向量;然后采用有监督和无监督两种方法训练具有主题信息的跨语言词向量。为验证方法的有效性,在信息检索标准评测数据集上进行实验,结果表明基于主题单语词向量构建的跨语言词向量能够充分表达语义,从而提高相关自然语言处理任务的准确率。2、在前述研究的基础上,本文进一步考虑了同构性假设不适用于不相似语言对的问题,提出了一种基于增强种子双语词典的跨语言词向量构建方法。该方法首先预先训练好两种不同语言的单语词向量,然后利用Triplet loss函数作为学习目标,训练增强种子双语词典,最后利用该词典作为有监督信号,优化跨语言词向量的构建。在真实的数据集上的实验结果表明,该方法明显优于其他跨语言词向量构建方法,能够有效地提高跨语言词向量的质量。