随着社会矛盾纠纷事件逐渐增多,调解员每日需要处理的事件也越来越多。目前事件类别需要调解员自行归纳总结,工作量大且时常出现分类错误的情况,需要一种简单、客观和高效的自动文本分类方法替换人工分类。近年来计算机硬件性能的提升带动了深度学习的蓬勃发展,其在文本分类上的表现远优于传统机器学习。本文使用深度学习对以司法文本为载体的社会矛盾纠纷事件进行多类别单标签分类,基于CNN和RNN等深度学习模型,重点研究提取重要特征和保留远距离上下文依赖信息的方法,提出HN-ATT+LDA+Text CNN文本分类模型,将其应用于社会矛盾感控大数据系统,用于事件分类的推荐。具体内容如下:(1)基于LDA加权卷积的重要特征提取研究。针对CNN应用于文本分类时无法判断词是否重要的问题,使用LDA主题模型引入“词—主题”的权重信息,利用该权重信息指导CNN卷积过程。基于该方法设计的LDA-conv+Text CNN模型的分类准确率为75.00%,优于其他重要特征提取方法构建的Text CNN模型。(2)基于多层注意力继承的上下文依赖提取研究。针对CNN应用于文本分类时无法提取全局上下文依赖关系的问题,使用增加段落级注意力分配的多层注意力模型,并采用词级编码层继承各层注意力的方案解决对齐问题。基于该方法设计的HN-ATT-inherit+Text CNN模型的分类准确率为82.90%,优于其他上下文依赖提取方法构建的Text CNN模型。(3)HN-ATT+LDA+Text CNN组合模型的提出。针对CNN应用于文本分类时的两个缺陷,结合本文中提出的重要特征提取方法和上下文依赖提取方法,提出HN-ATT+LDA+Text CNN组合模型,其分类准确率为84.60%,高于其他研究人员提出的文本分类模型。(4)HN-ATT+LDA+Text CNN组合模型的应用。在社会矛盾感控大数据系统的业务数据管理模块中,设计基于HN-ATT+LDA+Text CNN组合模型的自动文本分类组件,用于事件分类的推荐,经测试,自动文本分类组件的分类准确率在85%左右,响应时间小于1.3秒,能够满足实际应用需求,并且能通过工作人员的使用反馈不断提升分类性能。