随着互联网的普及,网络中存在着大量的结构化数据与非结构化数据,其中文本数据是最常见的非结构化数据之一,如何有效地对这些非结构化文本数据进行分类,对于网络内容搜索和获取,舆情分析等具有重要的意义。文本分类任务是根据给定文本内容对文本赋予相匹配的标签。其中多标签文本分类任务通过更细粒度地将文本进行划分,且根据划分结果给文本分配两个或者两个以上的标签。这种细粒度的划分不仅更加符合现实情况,并且能够有效地提高文本的检索效率,具有广泛的研究前景及意义。处理多标签文本分类问题存在多种不同的方法,而使用深度神经网络是其中最主要的处理方法之一,同时也是研究的热点之一。使用神经网络处理多标签文本分类问题主要通过,文本表示学习和挖掘标签间潜在相关性实现。文本表示学习是指通过网络模型来挖掘文本特征和建立文本内容中的潜在语义联系,通过该过程来提高模型分类的精度。挖掘标签之间的潜在相关性,是由于标签之间存在关联,通过挖掘这种潜在的相关性能够使模型在预测标签时,预测的范围更加全面并且使预测结果更加准确。对于上述两个方面的问题,本文提出一种基于词-标签概率信息的多标签文本分类模型,在文本表示方面建立卷积神经网络模型对文本内容进行特征提取;在建立标签潜在相关性方面,模型通过预先训练的标签的隐狄利克雷主题模型提取数据集中每个词的词-标签概率信息,利用双向的长短时记忆网络对提取的词-标签概率信息和标签的嵌入矩阵进行编码,编码后使用卷积神经网络进行特征提取;在预测阶段将上述两部分信息进行拼接,使用前馈神经网络预测属于文本的标签。针对卷积神经网络无法建立较长距离文本语义依赖信息,以及对于文本信息和词-标签概率信息利用不充分的问题,本文在上一个模型的基础上提出了一种基于编码和注意力机制的多标签文本分类模型,该模型首先使用双向的长短时记忆网路对文本内容进行编码,在编码后使用自注意力机制挖掘文本编码中含有的文本潜在语义信息;然后,使用预先训练的标签的隐狄利克雷主题模型获取词-标签概率信息,使用双向的长短时记忆网络对词-标签概率信息和标签嵌入矩阵进行编码,编码后使用自注意力机制挖掘潜在语义信息;最后,使用文本-词标签概率信息交互注意力处理上述两部分编码信息,获取注意力矩阵后使用卷积神经网络提取信息进行预测。实验结果表明,本文提出的模型在处理多标签文本分类问题上优于常见的分类模型,证明了本文模型的有效性。