短文本广泛地出现在微博、电商等领域,其数据规模与日俱增。另外,网络中的数据因领域不同表现出明显差异,从而使得传统的分类方法不再适用。跨领域分类旨在利用相关领域中已经积累的知识,帮助解决目标领域的分类任务。已有的跨领域分类方法大多未针对短文本进行相关研究。短文本篇幅简短,其数据有效信息较少、特征稀疏且不规范。其中,特征稀疏使分类准确率明显下降;多词同义和不规范表达减弱了特征的类别极性和特征共现,增加了知识迁移的难度。本文针对短文本进行跨领域分类的相关研究,主要工作如下:(1)针对短文本的稀疏性特点,提出一种基于特征扩展的短文本跨领域分类算法,基于谱图理论和特征共现关系,采用两层谱聚类对两个领域的共享特征和特有特征进行相似特征扩展,以降低特征的稀疏性和领域间的数据分布差异。在扩展后的数据集上训练分类模型,提升短文本上的跨领域分类效果。(2)针对短文本的特征稀疏以及多词同义问题,提出一种基于主题相关性的短文本跨领域分类算法,利用短文本词对主题模型BTM,对共享特征和特有特征分别抽取主题,语料库中的丰富信息强化了主题学习,克服了上述的问题。在此基础上,度量领域特有主题相关性将数据集映射到新的公共特征空间中以减小领域间的距离,实现跨领域分类。