目前,社区文本数据管理系统被广泛应用在各大社区的信息化服务中。随着信息量的爆炸式增长以及人口老龄化日益严重,很有必要建立起社区文本数据管理系统。系统主要包括文本上传、数据存储、文本分类和人机交互四个部分。其中,文本分类要按文本深层次语义信息进行分类,主要包括了文本预处理、文本向量化和分类模型构建等。然而大多数算法没有考虑训练模型的优化、语义信息层面的挖掘,进而导致分类准确率下降,影响系统性能。本文研究分析了现有的主题分类算法和文本分类算法,对系统算法做出了改进。本文的主要研究工作如下:1.首先利用网络爬虫技术建立社区文本数据集,将LDA与近年提出的LDA2vec算法在社区文本数据集上进行了对比实验。LDA2vec是将LDA与Word2vec相结合而生成新的算法,可以在语义层面提取到社区文本中词与词之间的相互联系。最终在社区文本数据集上与LDA模型进行实验对比,总体效果一致,准确率是65%左右。但是在样本分布不均衡(样本数量较少)的类别中分类效果明显优于LDA。2.针对传统的TF-IDF算法,对其中的词频统计公式和逆文档公式做出了改进。在词频计算中考虑到不同类别对每个特征词统计的影响,在逆文档频率计算中考虑了不同类别之间的相互影响。分别对二者加上权重计算函数,另外按照特征词的词性和特征词出现在文本中的位置引入了权重,对算法进行了改进。改进后的TF-IDF算法在社区文本数据集上的实验结果表明,改进后TF-IDF算法在准确率上要优于LDA和LDA2vec,准确率达到了69%。3.为了进一步提高系统文本分类算法的准确率,提出用深度学习中的卷积神经网络来对社区文本进行分类。在模型中为了充分挖掘社区文本语义信息,采用word2vec模型进行文本特征向量表示,输入到卷积神经网络。在卷积神经网络输入层进行词嵌入之后,优化特征向量的提取,引入注意力机制。在模型训练上也采用了batch normalization、dropout等技巧来加速网络训练。最后的实验效果准确率达到了84.55%,远远超出其他模型,包括单一卷积神经网络模型。如果样本分布更均衡,准确率还会有所提升,所以达到了比较好的效果。为了建设社区文本管理系统,对改进后文本算法经过一系列实验分析后。最终发现引入AM并融合word2vec的卷积神经网络进行社区文本分类时,在稳定性和准确性上,都优于其他模型。可以将其应用在系统中,有非常好的实用价值。