随着人工智能的快速发展,浅层机器学习已跟不上大数据时代的发展需求,为此,大家都在不断的探索新方法。近几年深度学习在自然语言处理(NLP)、图像处理(CV)、语音识别(ASR)等几大领域中的运用取得了重大突破。在自然语言处理领域中有个基础且非常经典的研究方向就是文本分类。传统文本分类先对文本进行预处理(清洗、分词等),然后手动提取文本特征,选取训练学习的分类器,再将文本特征输入到浅层机器学习分类器中完成分类。深度学习相比此,具有简化分类过程的优势,同时减少文本信息流失,解决高维度、高稀疏性问题,提高分类精度与预测性能。本文研究对象是新闻,通过对新闻文本进行分类,能为喜爱观看各类新闻的朋友提供更精准有效的文本,也能为了解教育水平、金融发展状况、政府政策等信息提供快捷并完整的获取方式等等。本文利用深度学习领域中的几大重要模型分析其在文本分类中的应用与效果。主要研究工作如下:1)由于使用传统的文本表示(one-hot等)时容易出现高维稀疏性问题,同时也疏忽了词与词之间的语义联系。本文通过使用word2vec将文本表示转化为低维稠密的数值型词向量,不但能获取词与词的相关性,也能减少分词错误对分类结果的影响,提升分类精度。2)在特征提取上,若使用传统机器学习,则需先提前手动提取特征,但由于人的主观能动性较强,特征提取效果不稳定,所以导致分类精度不高。本文使用三种深度学习网络结构对特征进行自动提取,分别是:(1)基于卷积神经网络(CNN)模型,其能捕获文本的局部相关特征;(2)基于循环神经网络(RNN)模型,双向循环神经网络能获取前向序列和后向序列信息,能对文本整体序列信息很好的把握;(3)基于注意力机制(Attention),给予不同特征不同的权重,然后进行加权求和,有利于重点特征突出,提高分类精度。3)上述三种模型各有各的优点,但也存在不足。因此,本文提出将三种模型组合在一起的RCNN-Attention混合模型,将三个模型的优点集聚一身,比较其与单个模型在文本分类中的表现,经四个模型对同一个新闻文本进行分类实验,得出混合模型的准确率为为97.9%,召回率为98%,F值为97.8%,验证了混合模型的高精准度。最后,对本文进行了总结,并提出新的展望。