神经网络方法在词嵌入表示学习领域的成功,极大激发了生成长文本语义嵌入的方法研究。相较于词汇语义的确定性,句子语义更加复杂多变,它是在句法规则约束下融合各词语语义形成的,而非语义的简单叠加。目前,大多数句子嵌入表示方法都是直接基于语义相似性进行建模,通过预测句子间的上下文联系来学习嵌入表示,即使部分方法能够保留词序信息,但句法信息融合度不高的问题依然存在。由于句子语义与其句法结构紧密关联,句法信息的缺失就将导致句子嵌入表示的语义精度偏差。针对当前句子嵌入表示研究中存在的句法信息融合度不高的问题,本文提出利用句法分析技术将句子建模为包含顶点信息的属性网络,利用矩阵分解的方式学习句法信息的向量表示,并与词向量进行融合计算获得句子的嵌入表示。此外,本文模型也可以作为一个通用的句子嵌入学习框架,支持将不同的词嵌入方案和句法分析技术作为框架的构建块以适应多样化的语言场景,由此衍生出一系列变体方法。同时,本文选取了句嵌入领域的多个经典模型作为对比基准,分别在中英文数据集上进行文本语义相似度实验。实验表明,本文模型在各数据集上的综合表现比较稳定,能够接近或超越基线模型的最佳效果。与KERMIT和Para BART的对比能够直观说明,在融合句法信息这一同等条件下,本文模型可以更有效地捕获句法信息以提升句子嵌入表示的精度。基于变体方法的实验证明了本文模型作为通用框架能够根据实际的任务场景灵活地集成不同词嵌入方案和句法分析技术以获得更好的模型效果,具备一定的可扩展性。