在互联网中,文本标签的准确性影响了检索速度,而标签的准确性取决于分类算法的性能。在实际场景中一篇文章同属于不同的标签,因此多类标文本分类的准确度决定了互联网用户的体验感。但目前已有的算法在处理多类标分类问题上存在局限性,因此设计高效准确的多类标分类算法具有很大的实际意义。多类标文本分类与传统的单类标文本分类任务相比存在两个难点:一是文本特征稀疏,现有模型在处理高稀疏数据准确度会降低;二在训练过程中,类标存在依赖性,以往的算法往往会忽略该特点,导致模型泛化能力弱。为此,从以上两方面展开研究:针对文本特征稀疏性,采用了word2vec模型进行建模。通过无监督的学习,利用上下文预测当前词,使得隐藏层的神经元能够学习到每个词的语义信息,从而解决原始文本特征的稀疏性问题。由于原始模型的计算复杂度大,对该算法采用了层级softmax进行加速。从模型的理论上,通过最大似然估计法,将问题转化为采用随机梯度下降法求解,并给出了每个参数梯度。最后通过对比实验,提出的模型在主要评价指标上优于其它算法,从而验证了该算法的有效性。针对类标的依赖性,采用的经典的机器翻译模型seq2seq进行建模。Seq2seq的解码过程使用长短期记忆网络(LSTM)生成类标序列,基于已经预测过的类标来生成下一个类标,有效的解决了类标之间的依赖性问题。并对原始的seq2seq模型进行了以下三点改进:一是采用了注意力机制,有效的考虑了文本中不同特征词对不同的类标预测具有不同的重要性;二是采用一个标记向量来标记解码阶段已经出现的类标,避免对类标进行重复预测;三是用卷积神经网络(CNN)对整个文本进行全局编码的信息输入到seq2seq的解码中。从理论上,对于整个模型分模块求解每个子模块中参数的梯度。在具体数值验证分析上,采用学习率自适应的Adam优化算法进行迭代求解。通过对比实验的设置,利用多个标准数据集做仿真实验,提出的CNN-seq2seq多类标分类模型在主要评价指标上优于其它传统算法。并且通过对预测结果的可视化分析,提出的CNN-seq2seq模型可以预测相关性强的类标,进一步验证了该模型可以解决类标依赖性问题。