文本分类是自然语言处理领域的经典问题,是对文本进行数值向量化表示后通过一定的分类方法将文本自动归属于预先定义好的类别。相关技术被广泛应用于以文本作为信息主要载体的互联网领域中。文本分类技术中文本表示是最核心和最关键的一步。启发式的文本表示方法主要是通过人为构造的向量进行表示,存在稀疏性。词向量方法利用神经网络将词映射到低维稠密的空间。神经网络模型能够灵活提取文本深层次的语义和复杂语境特征,是目前研究的热点。然而,上述模型仅利用了文本本身的信息,缺乏全局分类信息,对文本序列直接建模产生的文本表示和分类标签关注的类别信息存在差异。本文研究如何有效地利用标签嵌入技术在文本表示阶段早期关注到与分类信息关联大的内容以提升分类效果,具体如下:1)针对现有文本与标签编码交互方法未能充分利用标签的语义表示,提出了融合文本内容和标签引导文本编码的文本分类,通过得到经由标签嵌入过滤文本的新表示,同时融合文本本身内容编码来缓解模型在当前文本语义建模过程中的退化问题。实验表明,所提方法对比当前代表性方法有进一步提升。2)针对1)中文本和标签语义交互层面单一、忽略了文本与标签在显式和隐式方面的语义相关性,提出了标签与文本双向多通道语义交互模型的文本分类方法。方法通过使用浅层交互通道来捕获显式具体语义交互信息,使用深层单向和双向交互通道来捕获隐式抽象语义交互信息,并设计了一种门控残差机制更有效地获取标签的历史信息。实验表明,所提方法取得了比强基线方法更具竞争力的结果。3)针对1)和2)中标签语义描述不完整不充分、无法同步优化等问题,提出了基于标签语义约束和多任务学习的文本分类,引入维基百科语料库提升标签嵌入语义描述完整性,并在模型训练的过程中对标签的嵌入表示进行约束。实验表明,构造语义更完整的标签嵌入并在训练阶段对标签的嵌入进行约束的有效性。