本发明涉及计算机领域中的自然语言处理的技术领域,更具体地,涉及一种多任务模型生成词向量的方法。该方法通过集成无监督任务,分类任务,词性标注等多个任务模型的信息,增强其产生的词向量所蕴涵的信息。同时在多任务集成上使用高效且足够优秀的模型,以便能在大规模数据集上进行使用。该方法通过GloVe模型(基于全局信息的词向量,Global vectors for word representation)训练无监督任务,获取语言模型相关的信息。通过Fasttext模型训练分类任务,来获取文本中的类别信息。通过逻辑回归模型训练词性任务,获取词性相关信息。该方法能够在大规模数据集上快速得到蕴含丰富词义的优质词向量,从而应用于自然语言处理任务场景中。