自然语言处理中的许多任务都可以转化为计算两个文本之间的距离,比如信息检索和问答系统等。从认知语言学的角度来看,语言的学习是分阶段的,而不同阶段的学习内容之间存在难易的区别,其中学习难度也可以抽象为“距离”这一概念。当一个阶段的内容学习完毕后,需要基于当前的学习难度拓展到下一阶段。目前不同阶段的教材编辑都是基于经验人工构建的,如果能利用自然语言处理中的相关技术优化这一过程,将有利于提高语言学习的效率,同时为认知语言学中的相关研究提供佐证。本文将结合最新的深度学习技术,探索语句之间的距离计算方法。近年来,在分布式语义的背景下,自然语言处理得到了快速发展,其中最主要的成果就是词向量。然而,目前关于词向量的研究都是基于纯文本语料进行的,这与人类的认知过程有相当大的不同。人们在进行语言学习时,依托于丰富的感官信息,能够学习到多角度的知识,特别是其中的视觉信息。为此,本文从多模态的角度研究了词向量的构建方法。目前的主流方法通过直接拼接词向量与图像特征来生成多模态词向量,这种方法略显粗糙。一般而言,图像上往往会存在多种不同的事物,而词所对应的目标物体可能只存在于图像的局部位置。因此,本文提出了基于空间注意力机制的多模态词向量构建方法,以加强目标物体的局部区域表示。结果表明,多模态词向量能够更好地对语义相似性进行建模。在相关任务上,多模态词向量的斯皮尔曼相关系数达到了0.819,对比通用词向量有明显提升。在进行语句的距离计算之前需要先构建句子的嵌入表示。在多模态词向量的基础上,本文进一步研究了句嵌入的构建方法,提出了三种改进方案,包括基于神经词袋模型的方法、基于双向RNN的方法和基于门限CNN的方法。为了使模型能适用于更多的任务场景,本文进一步加入距离计算模块,提出了基于MLP和交互注意力机制的两种距离计算方法,使模型能够根据具体任务来调整句嵌入所在的向量空间。本文在释义识别、答案选择和语句难度距离任务上测试了模型性能。实验结果表明,本文提出的距离计算模型能够根据具体任务来调整距离的概念。在释义识别和答案选择任务上,准确率和MAP指标分别为85.4%和71.6%,达到了主流模型的水平。而在语句难度距离任务上,斯皮尔曼相关系数达到0.692,这表明模型能够对“难度距离”这一抽象概念进行建模。