随着互联网技术的飞速发展,互联网上的各类信息呈现出爆炸式的增长。其中,非结构化的文本信息是很重要的一部分,它通常涉及了政治、经济、科技、文化和娱乐等人们生活的方方面面。文字的出现已经有几千年的历史,互联网的发展赋予了文字更多的功能和含义。互联网上积累的文本数量已经大大超过了过去积累的传统文本信息。如何在海量的文本信息中提取出所需要的有用信息,是自然语言处理的重要任务之一,对于进一步提高人们的生产效率,提供更好的生活体验都具有重要意义。文本分类是实现海量文本信息中有用信息提取的关键技术之一。文本分类算法可以应用于文本信息处理的许多领域,如信息检索、情感分析和新闻推荐等等,研究高分类准确度,低计算复杂度的文本分类算法具有重要的理论意义与实际价值。本文的主要研究内容包括:1.中英文主题向量空间的构建为了克服基于词粒度的自然语言处理算法复杂度过高的缺点,本文考虑文本-主题-词的三层文本表示结构,在主题层面上研究自然语言处理算法。本文利用从语料库中提取的全局词共现矩阵,通过泊松无限相关模型构建了一个可变维度、实值的主题向量空间。这实现了主题的向量化表示,使主题能够作为向量直接参与数值计算过程。另外,针对中文情况,本文提出了多层级主题向量空间的构建方法。不同层级的主题向量空间对应不同深度的主题。利用实际中英文分类数据集的实验表明,本文算法提取的主题向量空间能够较好地应用于文本分类算法中。2.基于主题向量空间的文本分类算法针对以词为对象的文本分类算法复杂度过高的缺点,本文利用上述构建的主题向量空间,提出了一种新的文本距离测度-主题移动距离。两个文本之间的距离定义为文本一中的所有主题匹配到文本二中所需移动的最小累积距离。其中,两个主题之间的距离通过主题向量空间中两个主题向量的欧氏距离衡量。利用实际中英文分类数据集的实验表明,本文算法能够在保证较高分类准确度的前提下,实现较低的时间复杂度。