文本表征学习被普遍地认为是当前自然语言处理领域的基本问题,主要是为了学习字符、词汇、和句子等文本结构的数值表示形式。自然语言处理任务的效果不仅依赖于相关算法是否有效,也取决于文本表征学习能否学习更有效的文本数据表示。现阶段,基于分布式统计假设的文本表征方法利用海量文本进行统计建模,能够将自然语言中的语义信息映射到低维稠密的向量空间中。然而,现存的文本表征方法依然存在一些问题,如忽略了蕴藏在语法结构中的语义信息。而结构化表征方法中的文本结构通常需要作为输入显式提供,或者通过从带有词性标记的大量文本中有监督地学习。当前的文本表征学习方法中具有自适应结构化的模型比较少,相关问题急需研究。基于此,本课题提出了一种对文本的潜在句子层级结构进行自适应表示学习的方法。通过从海量文本中学习单词语义信息和感知句法结构,该方法利用强化学习实现文本的潜在句子层级结构发掘,由此代替了传统的文本结构化表征方法中为了识别文本结构而执行的特征工程,从而节省了大量时间与精力,而且也带来结构化的泛化性能提高。为了进一步实现对文本的“单词-词组-文本”层次结构表示,设计了一个双层神经网络模型,可以接收由强化学习根据输入文本生成的动作序列,构造该文本的层次结构表示。此外,该方法构建的潜在层级结构与上层任务无关。在情感分析、主题分类、主客观分析等文本分类任务上与多个基准方法进行对比实验,本方法均优于相关研究。进一步地,在多领域情感分析任务中,针对情感词在不同领域中的多义性导致情感预测准确率降低的问题,本文在对文本的“单词-词组-文本”层次结构表示学习的基础上,提出了一种“单词-词组-文本-主题”层次结构的情感分析方法。该方法利用主题模型对数据集进行主题聚类,并分别地用同一主题的文本数据集训练基分类器,使得基分类器被绑定了主题信息。利用同属于一个主题的文本数据集训练情感基分类器,可以减少一词多义对情感极性判断的混淆。在情感分析时,使用目标文本的主题概率分布为基分类器赋予权重,从而充分地考虑文本属于不同主题的可能性。本课题在三个公开数据集上进行对比实验,验证该方法对分类精度具有明显提高。