随着互联网技术的高速发展,文本数据呈现海量的特征,网络媒体及新媒体平台成为新闻传播事业的重要组成部分,网络新闻成为人们重要的信息来源之一。为了满足大量网络新闻阅读用户的需求、提高内容分发平台对新闻进行个性化推荐的效率,迫切需要对网络新闻进行有效的管理和利用。基于此,本文针对网络新闻文本分类进行了算法的研究与系统的实现,目标是构建分类准确率更高的面向网络新闻的文本分类模型。本文所做的工作主要包括以下几个部分:(1)本文基于网络新闻文本长度较短、关键词与类别标签紧密相关的特点,提出了一种新颖的注意力机制,称为“全注意力机制”。与传统的注意力机制不同的是,全注意力机制在每个时刻都对之前时刻及当前时刻进行注意力的分配,因此能使模型内部的资源分配更合理、使关键信息在不同的时刻发挥不同的作用、使被编码器丢弃的信息被重新利用。(2)本文将全注意力机制分别应用于卷积神经网络和双向循环神经网络中,提出了 FACNN(Full Attention-Based Convolutional Neural Network)和 FABG(Full Attention-Based Bi-GRU Neural Network)模型。为了验证本文工作的有效性,在英文数据集(agnews)和中文数据集(chnews)进行了实验。实验结果表明,FACNN和FABG模型均获得了高于其他对比模型的准确率,验证了全注意力机制、FACNN和FABG的有效性。其中,FABG在agnews数据集上达到了 91.79%的准确率,比以往融合注意力机制的Bi-GRU高出了 1.15%。(3)为了验证模型在实际应用中的有效性和稳定性,本文基于提出的模型构建了一个网络新闻文本分类系统。该系统提供了与用户交互的前端界面,后台对FACNN和FABG进行集成来返回模型结果。在该系统中,用户可以选择需要进行分类的文本的语言、输入文本、获得最终分类结果。