新闻文本信息是我们生活中接触较广泛的一种文本类信息,也是人们了解社会发展的重要手段之一。一方面,人们在进行新闻文本信息浏览,寻找感兴趣的新闻类别时,可能会掺杂其他类,用文本分类技术正确划分新闻类别,可节省用户获取信息的时间;另一方面,互联网公司可对新闻文本进行类别的划分,把不同类别放在不同类别库,根据用户需要进行自动化推荐,节省人力物力,提高效率。深度学习方法在自然语言处理领域的应用越来越广泛。本文利用深度学习的强大优势,将其应用在新闻文本分类领域,具体内容包括:(1)梳理了文本分类的基本流程,分析比较常用的文本分类算法,包括传统机器学习和深度学习算法。(2)针对传统机器学习算法特征工程繁琐的问题,包括文本预处理,文本表示,特征选择等步骤,这极大地增加了分类的工作量;本文提出了基于注意力机制的Text CNN深度学习模型。首先,选取Text CNN作为基础分类模型。然后,卷积层使用多尺度卷积核,池化层使用2-max pooling代替max pooling,同时增加平均池化。最后,在池化层后加入注意力机制,对2-max pooling和平均池化这两种池化得到的深层特征文本进行特征精炼,给予两种池化后特征相应的权重分配,从而把注意力放在那些更能代表文本特征的信息中,提高分类效率。(3)针对Text CNN模型在分类中对上下文信息关注不足的问题。首先,选取LSTM作为新闻文本分类模型,LSTM模型可以通过隐藏层的状态信息来处理上下文特征信息。然后,再通过Attention-Text CNN和LSTM融合,在一定程度上集合两者优势,来构建融合Attention-Text CNN和LSTM的新闻分类模型。最后,在新闻文本数据集上,通过对比实验可以看出,融合模型准确率高于融合前的Attention-Text CNN、LSTM模型,最终达到97.81%。(4)设计并且实现一个WEB端的新闻分类系统,将融合模型嵌入到新闻分类系统中。系统通过多种方式文本输入,输入的新闻文本信息在Attention-Text CNN和LSTM的融合模型中实现分类,得到正确的分类结果,并对结果进行可视化展示,测试完成后,各模块的实现都符合系统设计的要求。