随着社会经济与互联网的飞速发展,各种各样的事务与信息都被当做数据存储起来。如何使用这些数据并且对其进行科学有效的管理是目前信息检索领域非常热门的一个研究点,其实现形式为专家系统。专家系统属于信息检索的一种应用,针对其主要实现的内容可以将其定义为自然语言处理范畴,即短文本相似度匹配问题。目前大多自然语言处理都用到了词向量作为基本元素,在一定程度上解决了词映射这一问题。但是词向量训练的结果很大程度上与语料库有关,这就造成了一个词在两个不同语料库之间训练出的词向量差距较大。针对于专家系统,其特点是会话较为精简且有时表达不规范,要在简短的问句中提出较为重要的信息与知识库中的数据进行检索,因此词向量的优劣在一定程度上影响整体检索的效率以及质量。但是在实际使用过程中我们会发现一些专有名词出现次数较少,假如依然使用大规模的无领域语料库就会造成在文本匹配时产生较大的偏差。并且有些潜在的停用词在进行短文本相似度对比时会产生较大的影响。针对上述的问题,本文进行了词向量的优化以及不同词向量之间的融合研究,并将优化后的结果根据监督式的排序学习算法进行训练,最终应用到专家机器人这一特定领域中。主要工作包括:(1)在进行词向量训练时增加一定规则的权重叠加以及空间映射,消除潜在停用词对整体的影响,增加专有名词的权重。(2)针对训练出的两套词向量对其进行相关映射,使其能够适应不用版本的专家系统。将其应用到RWMD算法中,使其能够在无训练的情况下进行一个较为准确的分数排序。(3)根据得到的改良的词向量,增加额外的评分标准,使排序学习模型的鲁棒性更强。使用单文档方法与文档对方法相结合的方式进行最终的模型的训练,使其在效果上接近于文档列表方法,并且减少了时间复杂度。结果表明融合式的排序模型在专家系统中的效果优于文单列表模型。