互联网信息技术的快速发展使得传统纸质媒体逐渐向数字媒体转型。新闻媒体往往需要新闻内容进行分类,方便不同读者群对新闻内容的需求,传统的做法是采取人工划分类别,耗时,高成本,分类效率低,且周期长,难以满足实时性。本文改进FastText文本分类模型,为新闻媒体构建一个自动文本分类模型,降低分类成本和提高分类效率,满足新闻的实时性要求,实现新闻媒体分类智能化,达到低成本高收益的目标。具体做法是:首先采集2005年至2011年新浪新闻数据,对文本新闻样本进行“分词”、去“停用词”、“词”独热编码等预处理,作为训练数据集;然后对训练数据集进行多轮有放回抽样,在每轮抽样得到样本集上学习一个FastText弱分类器,共计150个弱分类器,最后把这150个弱分类器组成一个强分类器。对输入的新文本样本,用这150个弱分类器中多数分类器划分的结果作为文本样本的最终分类结果。论文实验表明:当弱分类器的个数小于或者等于30的时候,这些弱分类器组成的强分类器的分类精度有较大的波动,弱分类器个数大于30且小于150时,分类精度呈现明显的上升趋势,弱分类器的个数大于或者等于150的时候,模型的精度高且稳定;论文所构建的强分类器的分类精度高于目前流行的支持向量机、K近邻、梯度提升树三种分类模型的分类精度。