词嵌入可以捕获词语的句法和语义信息,已经成为了如今自然语言处理模型的重要组件,被广泛应用于各项任务并取得了显著的效果。但是,由于采用密集的向量表示,其包含的词汇语义可解释性较差。释义建模(Definition Modeling)任务通过利用词嵌入生成其自然语言释义使得向量表示所捕获的语义显式化。该任务与语言建模、文本生成、词义消歧等任务关系紧密。同时,随着人工智能和大数据的迅速发展,计算机辅助语言教学在语言学习和交流中愈发重要。词语释义的自动生成可以辅助语言学习者学习和理解生词,在智能教育领域具有广泛的应用价值。本文研究基于序列生成模型的词典释义生成技术,解决释义建模中的关键问题:(1)针对释义生成中可利用的信息有限及生成文本多样性不足的问题,本文研究基于条件变分自编码器的释义生成模型,在训练过程中利用隐变量对词语释义的全局特征进行建模,更加充分的利用数据潜在语义信息。解码器结合隐变量信息和词嵌入进行释义生成。在生成释义的过程中通过多次采样可以为同一目标词生成多样化的文本释义。(2)针对词语存在一词多义的问题,本文提出基于门控化上下文感知网络的词语释义生成方法,采用多级别的目标词与上下文的交互方式对目标词进行词义消歧,分别通过门控感知机制与注意力机制将句子级别和词级别的上下文语义感知信息融合到目标词的向量表示中。在解码过程中,模型同时考虑目标词的语义与语境信息来生成上下文相关的更准确的词语释义。(3)为了探索更加智能的词典学习方法,本文尝试在生成释义的基础上利用词嵌入为目标词生成例句,设计两种基于多任务学习的释义-例句联合生成模型,分别通过平行与层级方式共享不同级别的表示,可以为目标词生成其文本释义和例句。此外,针对模型不能显式利用语境信息的问题,本文利用上下文嵌入对解码器进行初始化并为模型提供深度语境化的向量表示,进一步提升了模型的性能。(4)针对反向词典模型难以处理复杂的输入文本及处理低频词效果有限的问题,本文提出基于大规模预训练语言模型的反向词典分类方法,利用迁移学习的方式为反向词典系统提供深层次的语义表示及开放域知识,在不需要复杂模型结构设计和外部知识库的情况下有效提高了模型的性能。