互联网技术的飞速发展使得文本数据呈指数趋势增长,如何有效分析和利用这些数据,充分发掘其中蕴含的价值是文本大数据分析处理的首要任务,而这其中针对文本的分类处理是一个重要分支。信息检索、信息推荐、文本挖掘等大部分任务要以文本分类作为基础。尽管文本分类的技术提出已久,但由于过去数据量、学习模型和硬件设备的限制,在这个领域一直很难有大的突破。当前随着深度学习技术的发展,文本大数据处理正朝着一个高效率、高精度的方向发展。但是,伴随而来的还有更多的挑战和问题。虽然传统的文本分类技术已经初步成熟,但面对类别数量不平衡文本数据、流式文本数据等支持的还不够。另外,虽然如今可以收集到智能终端上的大量信息和数据,但这些数据大都是未整理的无标签数据。如何有效地利用这些无标签数据发掘出有价值的信息,依然还处于初步研究阶段。随着深度学习技术的成熟,文本的特征表示、文本的处理过程等也都出现了新的变化,如何发挥这些基于深度学习技术的文本处理方法的优势,更加充分地发掘文本的语义信息,也有待研究。本文针对文本词语特征表示不足、文本的无标签数据利用不充分的问题,主要做了以下的工作:(1)首先是针对文本的语义表示,提出了一个基于主题模型的主题向量表示方法,以此来补充word2vector的全局语义缺失的问题,基于变分贝叶斯推断的方法,实现主题模型LDA的参数估计,并根据LDA模型的“主题—词语”矩阵提取主题向量,便于下一步的文本分类。利用Tensorflow框架构建了基于神经网络的文本分类模型base1-CNN、base2-CNN、TE-1、TE-2,并对于主题分类和情感分类两个任务分别作了测试,实验验证了基于主题向量和词向量融合的神经网络文本分类方法不论在测试精度还是在收敛速度上,均取得了较好的效果。同时base2-CNN的效果也验证了主题向量只包含部分语义信息,存在语义信息缺失的问题,因而主题向量只能作为一种辅助的嵌入向量表示方法。(2)针对文本分类任务中含有大量的无标签文本,而不能充分利用其语义信息的问题,提出了一种基于word2vector的文本表示方法和卷积神经网络的文本分类器,实现了半监督的文本分类网络d-CNN。该网络同样是基于Tensorflow框架构建,利用无标签文本的“虚拟”标签信息和标签文本的标签对于两个CNN网络训练,并在顶层训练两个网络各自所占权重参数。这样,可以提升无标签文本语义信息的利用效率,有效提高文本分类的准确率。通过d-CNN网络在情感分类和主题分类任务上的测试结果表明,d-CNN模型较全监督的深度学习文本分类模型有着较好的效果。