随着大数据时代的到来,文本数据呈现了爆炸式增长趋势,为了提高有效信息的获取效率,文本分类技术得到了迅速发展。新闻文本作为人们获取信息的重要形式,如何将新闻准确、快速地分类,从而为用户精准推荐感兴趣、有价值的信息成为了一个热点问题。针对现有对新闻文本分类算法中存在数据特征高维和稀疏性的问题,本文将在文本数据特征选择方面对传统的特征提取方法进行改进,完成文本分类算法的研究工作。本文分析了文本分类的流程,对常用的分类算法作了介绍,结合三支决策理论对传统的特征选择算法进行了改进,并实现了结合注意力机制的卷积神经网络分类算法,主要工作体现在以下方面:(1)本文对现有的文本分类算法进行了研究,通过查阅文献,对文本分类的发展历程有了了解,并对贝叶斯、SVM、CNN、RNN等分类算法的优势与不足进行分析,为下文的改进工作做了基础。(2)首先,本文将表现力指数加入到传统的特征选择算法CHI、TF-IDF中,对区分度较高的特征词的权重进行提高;其次,将改进的两种算法作为三支决策的双评价函数,将特征词分别划分到正区域、负区域和边界域中,并对将边界域中的特征词进行筛选;然后,与正区域合并,确定了最终的特征集合;最后,基于贝叶斯分类器进行了实验,实验表明,该方法可以提高分类准确率。(3)将注意力机制与CNN结合,在输入层后加入注意力层,提升了特征词的质量,在THUnews数据集,通过对模型的比较,实验结果表明A-CNN在分类上有较好的效果,分类准确率高达97%。(4)在实现的A-CNN基础上设计并实现了新闻分类系统。