随着互联网的快速发展,各行各业的信息化程度也越来越高,涌现出大量的特定领域文本。特定领域文本由于其特殊性和专业性,在语义理解上不同于通用领域,普遍存在难以通过字面含义理解、需要结合专业领域知识理解等的情况。除此之外,由于特殊性和专业性,人工标注的代价比通用领域更高,实际可用于训练的有标记语料很少,难以支持大规模训练,导致更难学习语义。(1)针对特定领域有标记样本少、无标记样本多,难以通过字面含义理解的问题,本文提出了一种基于互联网知识的半监督学习文本分类算法。首先,利用互联网知识对样本进行文本扩展,以克服特定领域样本难以通过字面含义理解的问题。然后,提出一种基于浅层学习和深度学习的双视图半监督分类算法(称为Co-DSL算法),使用少量有标记样本和大量无标记样本,以半监督的方式训练分类模型。最后将该方法应用于App分类领域,通过实验证明,该方法在分类效果上明显优于其他传统算法。(2)针对特定领域文本分类任务中,除了样本稀缺之外,特定领域文本一般是非常专业的,包含很多难以从样本中学习到的专业领域知识。针对该问题,本文提出了一种基于知识图谱的深度学习文本分类方法。首先,通过互联网半自动的构建知识图谱。然后,通过实体识别技术,将问题中与知识图谱存在链接的实体的特征引入原文本,达到特征扩展的目的,并使用Bi-LSTM模型进行文本分类。最后,将该方法应用于环保文本分类领域,通过实验证明,通过引入知识图谱,可以有效的提高文本分类准确性。(3)设计并实现了一个多意图混合式智能问答系统。该系统首先基于多领域文本分类识别用户提问的意图,然后基于用户意图调用相应的智能问答模块回答用户的问题。