根据给定文件的标题和部分内容，我们可以提取以下知识点：
标题表明本文研究的是一种基于词嵌入技术和依存句法树来衡量句子相似度的模型。词嵌入技术（Word Embeddings）是指将词语转化为密集向量的技术，它可以让词语在向量空间中以数学形式表示，进而捕捉词语间的语义和句法关系。依存句法树（Dependency Syntax Tree）则是一种表示句子中词语之间依存关系的结构，它能展现句子的深层语法结构，比如主谓宾结构、定状补结构等。
在介绍部分，文章提出衡量两个句子之间的相似度是自然语言处理（Natural Language Processing, NLP）中的基础任务，这种任务广泛应用于信息检索、文本聚类、文本分类、机器翻译、问答系统等多个领域。这些任务或应用的有效性很大程度上依赖于对句子相似度的准确度。因此，研究句子之间的相似度成为了自然语言处理中的一个关键基础工作。
文章指出，在句子中不同句法元素的重要性是不同的。例如，在英语句子中，句法成分的构成主要包括主语、谓语、宾语、定语、状语、宾语补足语等。这说明在分析句子相似性时，需要考虑句法结构的差异，以便更准确地计算出两个句子的相似度。
文章提出的模型方法首先会生成对应的句法树，然后综合分析两个句子，并根据句法成分对句子进行分块。接着，文章提到了对句法树进行修剪，去除停用词，并进行形态恢复。在这一过程中，还会执行一些重要的操作，例如被动词翻转、否定词翻转等。通过权重计算句法树的分块嵌入来计算两个句子对的相似度。实验表明，该方法的有效性。
关键词部分列出了“Word embeddings（词嵌入）”，“Dependency syntax tree（依存句法树）”，“Sentence similarity（句子相似度）”和“Syntactic structure（句法结构）”，这四个关键词恰当地反映了文章的主题和研究重点。
本文的知识点主要集中在如何结合词嵌入技术和依存句法树来计算句子相似度。为了更深入地理解和应用该模型，需要对以下几个方面有深入的了解：
1. 词嵌入技术：如何将词语转化为数学上的向量表示，以及这些向量如何捕捉词语之间的语义关系。
2. 依存句法树：如何构建和分析句子的句法结构，依存句法树如何表达句子中词语的依存关系。
3. 句子相似度计算：包括如何使用句法树中的信息，以及如何结合词嵌入对句法树进行分块和权重计算。
4. 句法成分的重要性：不同句法元素在句子中的作用及其对句子相似度计算的影响。
5. 模型的有效性验证：通过实验数据来证明模型在计算句子相似度时的有效性。
这项研究对于自然语言处理领域的研究者和工程师具有很高的参考价值，它不仅可以帮助改进现有的句子相似度计算方法，还可以在很多实际应用中发挥重要作用。
