伴随着信息技术的迅猛发展,互联网每天都会产生海量的数据。数据分类是信息管理的一种重要手段而文本分类是数据分类中重要的一种。然而,在现实中,由于数据收集方法等原因,需要进行分类的文本数据往往是类别不平衡的,即不同类别的样本数目差异较大。在训练时,若样本数目少的类(少数类)的特征不明显,在预测时少数类样本倾向被预测成样本数目多的类(多数类),极大地影响分类效果。一般的文本分类算法较少考虑到文本数据的类别不平衡问题,在类别不平衡文本分类任务中,分类器无法很好地学习到少数类的特征。双向门控循环单元(BiGRU)是一种深度神经网络,在文本分类任务中,以低维词向量作为文本的特征输入到网络,从前后两个方向提取文本的特征,具有较强的提取文本特征的能力。但BiGRU没有专门针对类别不平衡问题进行设计,不能很好地应用在类别不平衡文本分类任务中。为此,结合类别不平衡问题中特征选择、欠采样和模型集成三种解决方法对BiGRU改进,本文提出了多通道词向量增强BiGRU-Attention模型,用于解决类别不平衡文本分类问题。(1)在特征选择方面,通过卡方检验方法提取各个类别的特征词得到类特征词词典,然后将文本中的词用词的类别向量表示并与经Word2vec训练的词向量结合,获得带有词类别信息的增强词向量作为模型的训练数据。(2)为了使BiGRU模型在提取文本特征时更好地分配文本各个部分的权重,在BiGRU中引入注意力机制得到BiGRU-Attention模型,对文本重要部分赋予更高的权重。(3)在欠采样方面,对多数类样本欠采样以缓解少数类的特征被多数类的特征淹没的问题。(4)在模型集成方面,为了避免多数类因欠采样丢失过多的特征,影响模型整体的分类效果,使用了多通道模型。先通过随机欠采样生成多组不同的样本,然后分别输入到各个通道的词向量增强BiGRU-Attention模型中进行训练,模型可以学习到更多的特征。融合多个通道输出的特征作为分类特征,经过全连接层和softmax层的计算,得到最后的分类结果。在类别不平衡文本分类数据集的实验结果表明,与同类算法相比,本文提出的分类算法在宏平均召回率、宏平均F1-Score和G-mean均值上有了一定的提升,取得了较好的分类效果。