在本研究中，我们提出了一种词嵌入模型，通过学习跨句依赖关系以提升端到端共指消解（End-to-End Coreference Resolution, E2E-CR）的性能。传统的E2E-CR模型通常对输入文章或对话中的每一句话分别运行长短期记忆网络（LSTM）以生成词表示。与此不同，我们提出了线性句间连接（linear sentence linking）和注意力句间连接（attentional sentence linking）两种模型，用以捕捉跨句依赖关系。这两种句间连接策略使LSTM在计算当前输入词的表示时，能够利用上下文句子中的有价值信息。通过该方法，LSTM所学习的词嵌入不仅融合了当前句子中的语义信息，还整合了整个输入文档的上下文知识。实验结果表明，学习跨句依赖关系能够丰富词表示所包含的信息量，相较于基线模型，显著提升了共指消解任务的性能。