随着互联网技术的快速更新和迭代,社交媒体应用已经融入了人们的日常生活,成为人们工作生活不可或缺的重要组成部分。网络信息的共享性、信息传播的广泛性使得人们足不出户便可知天下事,越来越多的人愿意在微博、知乎、微信等社交媒体软件上,发布带有买房、租房、旅游、购买等意图的帖子。而微博作为一种主流的社交媒体软件,每天都会产生数以亿计的用户数据。而短文本作为微博数据的重要载体,以其简短的特点,深受用户的喜爱。本文将微博用户意图定义为短文本分类任务,建立基于短文本数据的微博用户意图识别方法。(1)针对目前的短文本分类算法没有综合考虑文本中隐含的依赖关系和局部关键信息这一问题,提出基于自注意力机制(Self-Attention Mechanism)的堆叠双向长短时记忆网络(Stack Bidirectional Long-Short Term Memory)模型(简称Att-BLSTMs)。首先,利用Stack Bi-LSTMs捕获上下文隐藏依赖关系,优化短文本特征稀疏的问题。其次,利用自注意力机制加大对短文本中局部关键信息的注意力,优化文本表示。实验结果表明,本模型将短文本中隐含依赖关系与局部关键信息综合考虑后,有效地提高了短文本文本分类的F1值。(2)考虑微博普通用户发布帖子表达口语化、逻辑不清晰,中心不明确的特点,在进行用户意图识别时,应重点把握上下文语境信息以及局部关键信息。将Att-BLSTMs短文本分类模型应用于用户意图识别。针对利用静态词嵌入获得的词向量表示时,不同句子中的同一个词表示是相同的,本质上未有效利用文本的上下文语境信息的问题,进而提出基于多维度动态词向量(Multiple Dynamic Word Embedding)的用户意图识别模型(简称MD-Intention)。首先,利用动态词向量BERT和ELMo结合的方式,从不同层面挖掘更加全面的上下文语境信息,优化了静态词向量未有效利用上下文语境信息的问题;其次,利用长短时记忆网络(Long-Short Term Memory,LSTM)和注意力机制(Attention Mechanism)提取高维文本特征,利用条件随机场(Conditional Random Field,CRF)实现用户意图的识别。实验结果表明,MD-Intention模型有效地提高了普通用户意图识别模型的F1值。