眾多自然語言處理（ Natural Language Processing，NLP）任務(wù)受益于在大規(guī)模語料上訓(xùn)練的詞向量。由于預(yù)訓(xùn)練的詞向量具有大語料上的通用語義特征，因此將這些詞向量應(yīng)用到特定的下游任務(wù)時(shí)，往往需要通過微調(diào)進(jìn)行一定的更新和調(diào)整，使其更適用于目標(biāo)任務(wù)。但是，目標(biāo)語料集中的低頻詞由于缺少訓(xùn)練樣夲，導(dǎo)致在微調(diào)過程中無法獲得穩(wěn)定的梯度信息，使得詞向量無法得到有效更新。而在短文本分類任務(wù)中，這些低頻詞對分類結(jié)果同樣有著重要的指示性。因此，在具體的短文本分類任務(wù)上獲得一個(gè)更妤的低頻詞詞向量表示是有必要的。針對這個(gè)問題，文中提出了一種與下游任務(wù)模型無關(guān)的低頻詞詞向量更新算法，通過基于K近鄰的詞向量偏移計(jì)算方法，利用通用詞向量中與低頻詞相似的高頻詞所獲得的任務(wù)特征信息，來指導(dǎo)低頻詞的信息更新，從而獲得更準(zhǔn)確的且適用于當(dāng)前任務(wù)語境的低頻詞詞向量表示;并以 Textcnn作為基準(zhǔn)模型，基于word2vec和 Glove得到的兩個(gè)通用預(yù)訓(xùn)練詞向量，在3個(gè)公開的短文本數(shù)據(jù)集上進(jìn)行了優(yōu)化算法的效果驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，使用優(yōu)化算法更新低頻詞詞表示后，模型分類準(zhǔn)確率能達(dá)到84.3%~94%，較更新前提升了0.4%%，體現(xiàn)了優(yōu)化算法的有效性，也進(jìn)一步證明了短文本分類任務(wù)中低頻詞對分類結(jié)果的影響，為短文本分類的研究工作提供了一定的借鑒。