文本分类是自然语言处理(NLP)领域的一个分支,本文的研究内容是文本分类中的新闻长文本分类问题。本文基于新浪新闻客户端使用Python工具包进行数据爬虫,总共爬取了财经、军事、旅游、科技、健康、娱乐和体育等七个类别共2万多条新闻数据,在实证分析部分将传统机器学习算法和深度学习算法进行应用到该现实问题当中,对比分析不同方法进行文本分类的优劣。首先,本文基于传统文本表示和特征选择方法以及传统机器学习算法支持向量机进行文本分类;然后,在传统机器学习算法中引入词向量,使用神经网络模型训练的词向量和文档向量来进行文本表示,结合支持向量机(SVM)模型进行文本分类,使用词向量来表示文本避免了“维度爆炸”而且利用了文本语义和语序信息,因此模型分类结果得到了很大的提升;其次,使用卷积神经网络(textCNN)以及长短期记忆网络(LSTM)进行文本分类,深度学习模型相比传统机器学习模型具有自动提取重要特征的特点,能够避免繁琐复杂的特征工程;最后,考虑到卷积神经网络只能够考虑文本的局部信息,而循环神经网络考虑文本的全局信息但是不能体现信息的重要性,本文在传统LSTM模型中引入了Attention机制,设计出的模型被称为Bi-LSTM-Attention模型,该模型能够提升分类效果,通过实验证明了Attention机制的有效性。