随着互联网的快速发展,用户在社交媒体和网络购物平台中产生了大量的数据,文本作为这些数据的重要表现形式,从中提取有效信息与寻找信息热点是现代自然语言处理研究的重要内容。文本分类作为文本信息处理的基础技术之一,一直是信息挖掘等领域的研究热点。在文本分类任务中,文本特征的提取及处理方法直接影响最终分类系统的分类效果。通过使用群体智能、迁移学习等技术可以更好的对文本特征进行识别和提取。本文提出了一种使用扩展后的动词特征进行分类的智能回归分类方法和一种通过迁移学习使用其他领域知识对缺乏标注的文本进行分类的方法,创新点如下:1.在使用文本表达意见、态度时,动词扮演了重要的角色。本文提出了一种通过依存句法分析提取核心动词作为特征并对动词特征进行扩展的方法。为了提高分类器的分类效果,该方法对文本中的动词特征进行了扩展,使用粒子群搜索算法从原始特征空间中寻找有效的特征映射函数,再根据这些函数将原始特征从低维空间映射至易于分类的高维空间,进而构建更合理的特征表达。2.在对动词特征进行扩展后,特征维数较高,本文提出了智能回归方法作为分类方法对扩展后的动词特征进行分类。该方法通过粒子群算法搜寻回归模型的各个参数,选取最优粒子构建分类模型。通过在电商平台评论等语料中的实验,验证了动词特征和该分类方法的有效性,该方法对统计有效用户反馈有重要意义。3.在现实的文本分类任务中,标注缺乏的情况十分常见,本文提出了一种通过其他语言的样本标注进行训练的跨语言文本分类方法。该方法通过枢纽词学习两种语言词汇在同一特征空间中的分布表示,通过编码器将文本特征映射到新的特征空间。在映射过程中,丢弃语言特征,保留语义特征。映射完成后将使用源领域的标签训练的分类器应用于目标领域,即可得到分类结果。此外,针对动词在中短文本中的核心地位和语法特性,使用动词特征对该跨语言文本分类方法做出了改进。改进的内容为使用动词特征作为特征空间的锚点,在编码器的编码过程中参考动词锚点进行编码。实验结果表明,与传统分类方法相比,跨语言文本分类方法的分类效果较好,改进后模型的分类效果得到了进一步的提高。