目前电力行业尚未有一套完善的企业资源智能配置系统,企业资源配置过程中往往涉及多个部门的流程审批,且审批时间长,导致企业资源不能即时使用。如何高效的配置资源是本文的重点,本文的目标是建立一个企业资源智能配置模型,管理人员处理申请时,模型能够为管理人员提供决策支持,可以即申即批,高效的配置资源,降低资源配置的时间,提高工作效率。如今文本分类技术发展火热,为本文的资源智能配置或智能审批研究提供了技术支持。本文用文本分类的相关技术建模,并介绍用到的相关技术及建模思想,最后进行实验验证,与现有的模型作对比,验证模型的有效性。在自然语言处理领域中,文本分类是一项关键的日常任务,主要目标是从文本信息中获取有效特征,找到特征表示与类别标签之间的对应关系,从而对文本进行分类。从数据流向看,主要分为文本预处理、自然语言的向量表示、特征提取、分类器分类和模型训练五个阶段完成文本分类任务。本文主要专注于自然语言的向量表示和特征提取两个阶段,提出了一个BERT模型与双向GRU相结合并用自注意力机制调整权重的文本分类混合模型。在已有的深度学习模型中,Word2Vec词嵌入模型无法解决一词多义的问题,词向量表示的唯一性直接影响到文本序列的语义表示。经过在大规模数据上预训练的BERT模型可以根据所在句子学习到词的多种表示,从而可以在不同语境下动态的表示词向量,解决一词多义的问题。GRU可以从学习到的局部特征中学习到长期依赖关系,双向GRU能够学习句子中的隐藏特征。自注意力机制在自然语言处理中的多个领域中展现出优越的性能,可以挖掘数据的自相关性,通过调整关键词的权重来突出关键信息。因此,将双向机制与自注意力机制串联在一起,减少对外部信息的依赖,解决了由于缺少语义信息而导致的分类性能下降。因此,针对现有模型在词嵌入表示和文本全局信息建模方面上的不足,本文将双向GRU和自注意机制相结合用于提取深层语义特征,具体实现方法如下:基于BERT预训练语言模型作为词嵌入层,接入双向GRU层编码,整合语义信息,并以双向GRU的输出作为对应方向上的自注意力机制层的参数,减少无关信息的影响,两个方向的输出再经过平均池化和拼接,再与词嵌入层得到的句子特征融合,得到最终的特征表示,最后将文本的最终特征表示通过分类器来预测文本归属类别的概率。通过实验发现,模型在数据集上的精确度为92.34%。