已经证明，预训练的分布式单词表示形式在各种自然语言处理（NLP）任务中很有用。 *但是，尚未仔细研究单词的几何结构对单词表示的影响。 现有的单词表示方法低估了在欧几里得空间中距离接近的单词，而高估了距离更大的单词。 在本文中，我们提出了一种词向量细化模型来纠正预训练的词嵌入，从而通过流形学习使欧氏空间中的词相似度更接近词语义。 从理论上讲，此方法建立在度量恢复范式中。 我们的词表示已在各种词汇级别的内在任务（语义相关性，语义相似性）上进行了评估，实验结果表明，所提出的模型优于几种流行的词表示方法