在如今的互联网时代,互联网产生的文本数据呈爆发式增长,面对大量的文本数据,如何快速地组织和分类这些文本数据并挖掘其背后的价值具有重要的意义。在此背景下,文本分类技术应运而生,文本分类方法通过理解文本的语义并概况出文本的主题内容,进而将文本归类到其所属的类别中,能够帮助用户快速准确的找到所需的信息。目前的文本分类方法大多是基于神经网络的方法,例如CNN、RNN和LSTM,虽然取得了很好的文本分类效果,但仍然面临着很多挑战,在预训练的词嵌入表示方面,如何从海量的文本数据中训练出蕴含更全面语义的词嵌入表示是非常重要的,高效的词嵌入方法一直是自然语言处理领域所需要的。在文本表示方面,当前的文本表示方法往往只考虑了前面的上下文,忽略了后面的上下文和整段文本的交互表示,导致部分的语义丢失。在文本特征提取方面,标签在最后的文本分类中起着核心作用,但标签在文本分类中的作用并没有被充分利用。在此背景下,针对上述问题,本文主要做了三个方面的工作:(1)提出了基于双向长短期记忆网络和标签嵌入的文本分类算法针对上面文本分类面临的三个挑战,提出了改进的基于双向长短期记忆网络和标签嵌入的文本分类算法,首先使用预训练的BERT来获得蕴含更全面语义的词嵌入表示,然后通过BiLSTM捕获了前面和后面的上下文,获得更好的文本表示。并且,词和标签在联合嵌入空间中学习,将学习到的注意力加权最后的文本表示和标签表示,进而捕获到与后面分类任务更相关的特征,同时,标签也学习到与所标注内容更相关的词,最后分类器依据加权的标签嵌入表示对输入的文本进行分类,广泛的实验结果证明了此分类方法的有效性。(2)提出了基于标签嵌入和自交互注意力的文本分类算法本文提出的第一种方法所得到的文本表示并未融合全文的交互语义表示,造成了部分的语义丢失。针对这个问题,本文引入了自交互注意力,进一步提出了改进的基于标签嵌入和自交互注意力的文本分类算法。自交互注意力将整个文本当作上下文,捕获了融合全文交互信息的文本表示。词和标签的联合嵌入学习得到对整个文本序列的注意力,使用学习到的注意力加权最后的文本表示,捕获到与后面分类任务更相关的交互表示,通过大量的实验证明了该分类算法的有效性。(3)设计与实现了基于标签嵌入和自交互注意力的文本分类系统在提出的基于标签嵌入和自交互注意力的文本分类框架的基础上,设计并实现了交互设计良好、分类准确率高的文本分类系统。广泛的系统功能测试结果表明该分类系统能够有效降低完成文本分类任务所需的成本(人工标注成本和财力等),并且有效提高了分类未标注文本的效率,同时有效解决了用户快速准确地获取所需信息的难题。