近年来,由于电子商务的迅猛发展,我国网上商品零售额呈逐年上升趋势,并保持了较快的增长率。在此趋势下,由于网络购物平台上的商品数量越来越多,如果不能进行快速精确分类,就很难进行有效管理,另一方面,消费者也很难找到自己需要的产品,造成不好的购物体验,对平台和商家都会造成管理上的损失;同时也会给消费者带来一些不便和困扰。随着商品品种、数量的不断增多,商家的人工成本和管理成本也在逐步上升。因此,对商品进行归类是非常有必要的。商品名称由文本构成,利用商品名称解决商品分类问题,可以转换成了文本分类问题。针对这一问题,本文在商品数据分析基础上,提出一种利用狼群算法（Wolf Pack Algorithm,WPA）对K-近邻算法（K-Nearest Neighbor,,KNN）算法优化的商品名称短文本分类模型,并对组合模型采用狼群算法进行特征提取。狼群算法和KNN算法相结合的方法挖掘商品名称与类别背后的深层次关系,发现商品名称类别的特征,了解商家与顾客需求,实现精准搜索,仿真结果表明新算法具有较好的分类效果。本文主要研究内容和结果如下:（一）数据预处理,该步骤包括分词、去停用词、特征向量化、特征降维、特征选择等。本文提出了一种利用狼群算法结合信息增益法进行特征选择的算法,对初始特征集进行特征选择,本文使用的数据是Git Hub上的500000条商品名称及对应的三级类目,利用该数据进行算法验证分析。（二）构建分类模型,针对狼群算法和KNN算法的优缺点,进行相互弥补,构建了基于狼群算法优化的KNN算法,进行最优K值的选取,提高模型的运行效率和精度。（三）利用狼群算法对文本数据进行预处理以及对KNN算法进行参数选取,并利用优化后的模型进行文本分类的预测实验;与互信息法与单一信息增益法相比,实验结果表明本文提出的方法提高了分类性能;并与常规方法选出的K值的分类性能进行对比,结果证实进行改进的WPA-KNN模型对数据集分类的准确率有较好的提高。