跨语言词向量学习是指利用某一种资源丰富的源语言词向量来辅助资源相对匮乏的目标语言词向量空间的学习,该问题的研究对小语种的自然语言处理任务具有重要的意义。最近,生成对抗网络(GANs)已被成功地运用于无监督的跨语言词向量学习。基于GANs的跨语言词向量模型将源语言和目标语言的单语言词向量看作两个分布,并迫使源向量分布对齐于目标向量分布。本文基于GANs模型开展无监督的跨语言词向量学习方法研究,主要工作如下:(1)跨语言词向量空间在对齐过程中,需要大量目标端信息作为可靠的对齐标准,而已有的基于GANs的跨语言词向量模型普遍忽视了这一点,不能有效地挖掘目标端的信息,导致生成次优的跨语言词向量。针对这一问题,提出一种新颖的基于改进WGAN和回译的跨语言词向量方法,通过对目标端样本的重复使用为对齐过程建立了可靠的参照标准。该方法首先使用一个基于改进WGAN的跨语言词向量模型学习初步的双向映射,然后根据获得的映射矩阵对目标端的词向量进行回译训练。三个语言对上的实验结果证明了该算法的有效性。(2)跨语言词向量学习中,相对高频词来说,低频词的语义信息相对较弱。因此,在跨语言词向量学习过程中低频词易对向量空间的对齐产生干扰,从而导致对齐性能下降。为了解决低频词给对抗训练带来的分布扰动问题,提出了一种基于扰动Cramér GAN的跨语言词向量学习方法。该方法通过向低频词的向量中注入外部的噪音扰动,构建扰动的低频词向量,再利用Cramér GAN共同训练扰动的低频词向量和原始的高频词向量。实验结果表明该方法可以有效地提高跨语言词向量的质量。