随着网络的快速发展和普及,海量的信息覆盖在互联网所涉及到的地方,各种类型的数据急速增长,而文本数据更是这些信息的主体。现在,人们通过网络获取信息的方式发生了改变,从以前单一的电脑终端变成了电脑、智能手机、平板电脑,甚至是智能电视、智能手表等。方式的便捷致使人们每天都接触着大量的信息,因此,怎样快速获取分类好的有用信息显得尤为重要。本文主要研究将文本分类相关技术应用在中文新闻文本上的分类问题,对一些常用在文本分类领域的算法进行了分析,再结合常用的文本分类模型,对其未考虑的点,比如:标题关键字的重要性、特征词在类别之间以及类别之内的分布情况等进行了针对性的改进。首先,对要进行文本分类的数据进行预处理操作,在原有的分词、去停用词基础上使用正则表达式对处理结果进行进一步的提纯,以便获取到提纯后的文本数据。然后,对传统的应用在文本分类领域的TF-IDF算法进行了分析,发现它实际应用在中文新闻文本分类中的一些不足之处并给出了相关的改进思想,提出了改进后的算法ETF-IDF,使某些特征词在权重计算中能获取更高的权重值。最后,分析了 fastText模型,指出其应用在中文新闻分类时的两个不足之处:1、没有考虑fastText模型的输入层在输入时存在的大量干扰词汇对分类结果的影响;2、没有考虑文章标题和内容关键词的区分度不同所导致的关键词权重值计算不准确的影响。针对这些问题,本文结合前面提出的ETF-IDF算法,对fastText模型进行了改进,提出了新的E-fastText模型。将改进后的E-fastText模型与K近邻算法、朴素贝叶斯算法、原始fastText模型在3组不同数量的中文新闻数据集上进行了对比实验。通过分析实验结果,证明了改进后的算法及模型在文本分类效果上有一定的提升。图[21]表[22]参[53]