随着互联网和计算机技术的快速发展与推广,网络中的文本信息呈现出爆炸性的增长趋势,信息过载现象严重。为了对文本信息内容进行高效的管理,实现准确地文本信息定位、文本信息过滤和文本数据的即时处理都离不开文本分类技术的快速发展。基于深度学习的多标签文本分类方法实现了文本内容标签的自动化处理,可以有效地利用和管理文本信息。本文针对多标签文本分类任务进行研究,获取带标签的文本数据为后续多标签文本分类研究提供实验数据支持。数据来源于悟空问答网站和百度知道网站。由于网站上的数据是用户根据自己的需求进行提问和标签标注,因此数据具有多样性、噪声大等特点。为确保通过网络爬虫技术获取的多标签文本数据的可用性,首先对数据进行清洗,包括敏感词过滤、长度比过滤、零宽字符过滤、无意义文本过滤和语义完整性判断;而后采用Niutrans分词工具对文本数据进行分词处理;最后通过word2vec工具对分词后的数进行词向量转换,便于输入模型进行训练。TextRNN和Text CNN作为解决多标签文本分类问题的主要模型架构,存在各自的优点和局限性。由于Text RNN模型采用Bilstm结构,后一个时间步的输出依赖于前一个时间步的输出,无法进行并行处理,导致整体运行速度过慢。Text CNN主要靠filter窗口抽取特征,在长距离建模方面能力受限,且对语序不敏感。Text CNN的滑动窗口大小不容易确定,选的过小容易造成重要信息丢失,选的过大会造成巨大参数空间。因此本文提出一种基于注意力机制的Text RCNN多标签文本分类方法。该方法结合了循环神经网络处理序列数据的优势与卷积神经网络提取局部特征的优势,同时引入注意力机制使得模型将注意力集中在对文本分类结果贡献较大的特征上面。实验结果表明该模型的分类效果最优,F值达到0.9612。