当前,慕课网MOOC、OpenStax Tutor、腾讯微课等在线学习平台成为越来越多的学生在非课堂环境下获取知识的重要来源,这些在线学习平台不仅能够提供多种功能帮助学习者突破时间与空间的局限,随时随地的获取各种知识,还存在着大量学习者发布的短文本数据,依据这些短文本数据中所蕴含的潜在语义信息进行目标分类,可以用于学习分析领域中的多种应用场景,如对学生进行情感原因分析、对学生进行学习资源推荐等。因此,对在线学习平台中存在的短文本进行目标分类任务是一项具有实际意义的工作。然而,目前存在的大多数在线学习社区短文本分类模型采用的是有监督学习方法,其模型预测的准确性依赖于标签数据集的规模大小,如何使用少量数据标签集,准确高效地完成在线学习社区短文本分类任务是本文的研究重点。为此,本文基于半监督学习方法,提出了一种在线学习社区短文本分类模型,并设计了一个在线学习社区短文本分类系统。具体地,本文所做的主要研究工作如下:第一、构建在线学习社区短文本分类模型。本文提出了一种基于半监督学习的在线学习社区短文本分类模型Joint-GanBert。首先,在数据预处理部分采用数据增强技术扩展模型训练集;其次,使用大规模预训练模型BERT获得在线学习社区短文本数据的语义表示;然后,基于半监督学习生成对抗网络SS-GANs完成在线学习社区短文本分类任务,并在SS-GANs中加入了融合结构,进一步提高了模型的分类效果。本文模型在真实在线学习社区短文本数据集上进行了实验,并与BERT模型做了实验对比,实验结果表明,本文模型能够在降低数据标记成本的前提下,有效地完成在线学习社区短文本分类任务。第二,设计了一个在线学习社区短文本分类系统。本文将所提出的分类模型Joint-GanBert应用于在线学习社区实际场景中,设计了在线学习社区短文本分类系统,该系统可以完成短文本情感分类和问题误解检测任务,并依据分类结果对课程进行情感可视化分析和问题可视化分析,具有一定的实际意义。