随着计算机信息技术、移动互联网的快速发展,每天都会产生大量的文本数据。面对海量数据,高效获取有价值的信息变得尤为必要。为满足人们对信息的个性化需求,需使用相应的处理技术对海量文本数据进行加工与处理,而文本分类技术正是这些技术的基石。文本分类是自然语言处理领域的经典主题。传统文本分类方法通常采用浅层机器学习算法,通过人工设计特征选择方法对特征进行提取,此类方法人工成本高、耗时长、训练难,对海量数据的处理加工场景适应性差。基于深度学习的文本分类方法,能从海量文本数据中自动进行特征学习与特征提取,大幅降低人工成本且易于训练,算法领域迁移性得到增强。词向量作为一种特殊的文本表示形式,能够对语义相近的词进行表示,避免传统方法存在的语义鸿沟。在文本分类任务中使用自注意力机制,能够充分学习文本特征,发现重要特征忽略次要特征捕获文本中关键的信息。基于上述特点,本文结合深度学习与自注意力机制,针对不同类型的文本分类任务进行研究,主要研究工作如下:(1)使用词嵌入机制解决传统文本分类模型中数据表示的高维度、语义鸿沟问题。词嵌入将文本数据映射到低维的实数向量中,避免高维度输入导致的维数灾难,使用词嵌入机制训练的词向量同义词具有相似的特征,使得词的向量表示具备一定的基础语义信息,有效避免语义鸿沟。对于不同领域的数据集,采用Word2vec框架自行进行词向量的预训练工作。(2)针对单标签文本分类任务,提出基于自注意力机制的单标签文本分类方法——DSA-CNN模型。DSA-CNN通过卷积神经网络的卷积和池化结构,进一步提取文本中的隐藏语义特征。在输入层和池化层分别融合自注意力机制捕获文本内部结构及依赖关系,对于重要特征词赋予较高的权重,提取特征向量时可有效减少信息冗余和信息丢失,突出关键词的作用。通过在多个数据集上设计实验证明该模型的有效性。(3)针对多标签文本分类任务,提出基于自注意力机制的多标签文本分类方法——SA-GRU模型。SA-GRU结合GRU网络对文本信息进行建模,捕获文本序列中较长的上下文信息,使用自注意力机制对GRU网络的隐层单元输出评分并分配权重。考虑标签间的语义相关性,根据标签语义对句子中的单词评分,最后融合注意力评分与标签语义评分,该机制能够关联标签语义与标签所关注单词,一定程度上缓解“尾标签”导致标签数据分配不均训练困难的问题。通过在“Toxic Comment”数据集上设计实验验证SA-GRU的有效性。