电商直播带货是国内近年以来新兴起的一个行业,它大大地推动了国民经济的发展,并且为国民带来了巨大的生活便利,也为商家提供了一个更有利于发展的平台。然而这个新兴起的行业发展异常迅速,平台在巨大的利益面前忽略了在数据处理方面的缺点,即数据的自动化处理,所以在这个领域依然处于人工处理阶段,这大大地降低了数据处理的效率。所以基于此,本文针对电商直播带货行业产生的商品标题类目分类进行了研究。内容如下:（1）利用网络爬虫技术针对淘宝与抖音2021年排名前十主播所属直播间曾直播带货销售过的商品信息进行抓取,共得到31237条数据,数据集共识别四类商品标题:服饰、美妆、生活和食品,其中“服饰”类别10035条,“美妆”类别8954条,“生活”类别6845条,“食品”类别5403条。针对总数据量将其随机分为三个不同训练集和测试集比例的数据集:数据集Ⅰ、Ⅱ和Ⅲ,数据量分别为10000条、10000条和11237条,其训练集和测试集比例分别为60%和40%、70%和30%、80%和20%。（2）针对数据利用Jieba工具进行预处理操作,即去噪、分词,由于数据本身特征原因,所以并不需要去停操作。然后利用TF-IDF和Word2vec两种词向量模型分别提取文本特征,将输出的结果分别输入到机器学习模型和LSTM-Self-Attention混合模型中进行分类。（3）利用决策树、随机森林、朴素贝叶斯和XGboost四种机器学习算法模型对商品进行分类,经分析计算,针对数据集Ⅱ的分类正确率均高于其他两个数据集,并且其中XGboost效果最好,准确率达到90.89%。（4）构建LSTM-Self-Attention混合模型,模型由三层组成,分别是自注意力加权层,长短期记忆网络分类层以及Softmax归一化处理层,其中自注意力加权层为Word2vec模型输入的词向量赋予Attention权重,然后输入到长短期记忆网络分类层中进行分类,最后再通过Softmax层进行归一化处理得到最终的商品标题分类的类别。LSTM-Self-Attention混合模型相比于机器学习算法模型,其分类效果更好,针对数据集Ⅱ的分类准确率达到92.09%。