在自然语言处理领域中,词和句子是最基本的表示单位。词是一种抽象的表示方法,往往包含多种含义,不同词间的关系也各不相同。句子可以看作词序列,具有特定的句法结构,内涵也更为丰富。分布式表示研究的目表是,为每个词、句子赋予恰当的向量表示,服务于后续的信息检索、语义挖掘等任务。语言模型的选择是分布式表示研究的基础。当前基于神经网络的分布式研究方法多采用n-gram语言模型,基于文本条件独立假设,可将n-gram模型简化为bigram模型,降低参数空间,解决数据稀疏问题。本文提出了基于bigram语言模型的分布式表示改进方法,将词对间的位置信息、句法依存信息等融入其分布式表示之中。同时完成了中文关系数据集的构建。主要研究内容和阶段成果如下:第一、在词分布式表示研究方面,提出了基于位置信息的词分布式表示优化方法。本文认为,现有的动态窗口方法中,位置权重都通过人为设定,不能真实反映词间关系。因此提出了两种动态窗口权重改进方案。首先是自适应的权重因子方法,针对不同语料,学习出不同权重因子。以及基于KL散度的权重向量方法,为每个目标词计算自己的权重向量。在词相似性及语义、语法评估指标中,都有显著提高。第二、构建了中文关系抽取数据集。本文提出了基于弱监督和半自动的中文关系抽取数据集构建方法,借助维基百科、sogouCA新闻语料及百度API,完成弱监督句子抽取,借助循环神经网络实现半自动标注,最终通过大量人工标注完成数据集的构建。数据集被选为中文倾向性分析评测(COAE)任务语料,对中文关系抽取发展起到了推到作用。第三、句子分布式表示研究方面,本文提出了基于依存路径的关系抽取改进算法,借助依存句法分析结果,改变神经网络词序列的输入结构。本文进行了多组实验对比,发现将传统自然语言处理特征融入神经网络结构的做法非常有效。