本文利用机器学习的文本分类算法,设计了一个基于深度学习的用户评论监管系统。主要工作内容如下:1)利用BERT特征提取生成上下文相关的词向量。该方法不同于传统的Word2Vec词向量获得方式,而是利用双向深度Transformer模型内部的Self-Attention进行词向量的训练。BERT模型在训练时能够使词汇看到上下文信息,词向量能够融合上下文相关的特性,因此得到的词向量不仅包含了上下文的信息,而且在不同的语句中具有不同的表示,表达变得更加准确,摆脱了一直以来词向量表示单一的缺陷。2)提出了基于BERT特征提取的卷积神经网络文本分类算法。在上述词向量方法获取的基础上,通过模型的输出对词向量进行拼接,将拼接后的词向量矩阵作为卷积神经网络的输入,利用卷积神经网络的特性对词向量特征进一步抽取,使文本分类的准确率有效的提升。3)开发了论坛评论监管系统。系统主要分为三个模块,分别是评论检测模块,用户功能模块,管理员管理模块。评论检测模块负责检测用户的不良评论。用户功能模块实现用户在论坛使用过程中的一些基本活动。管理员管理模块主要负责对用户的访问权限进行管理。最后,本文将文本分类算法与实际应用相结合,搭建了一个基于深度学习的用户评论监管系统。