在自然语言处理中,文本分类是一项基础而又重要的工作。文本分类是对自然语言文本信息的分类任务,分类的类别是语言中想表达的意图。word2vec自问世以来,就以其向量空间结构化的优势风靡全球,并已经在自然语言处理的方方面面得到了广泛的应用。本文以word2vec为基础,以维基百科中文百科语料库为语料生成中文词向量,分别以时下流行的分类器模型支持向量机和自然语言处理的新生力军AT-LSTM为工具,对实习期间收集的酒店评论数据进行文本分类(情感分析)的实验尝试,并对这两种算法的结果和性能做比较。然后尝试结合这两种算法,各取所长,给出了分类精度更好的结合模型。以word2vec生成的词向量作为输入,支持向量机还需要由词向量到句子向量的中间步骤,这一步骤不仅充满困难还直接决定了最后的分类效果;ATLSTM则避免了这一问题,通过encoder-decoder模型框架提取句子特征,直接对句子进行分类。在文本分类任务中,相同样本下,AT-LSTM的分类结果明显优于以词向量均值为句子向量的支持向量机分类结果。但以词向量“投票”的方式生成句子向量的支持向量机在分类效果上不逊于AT-LSTM模型,即支持向量机的分类结果更依赖于生成句子向量的方式,而AT-LSTM可以看作是一种特征提取方式。本文结合两者,先通过AT-LSTM提取句子的语义向量,然后用支持向量机进行分类,最终得到了比单纯的支持向量机和AT-LSTM分类效果更好的结合模型。