随着信息时代的发展,信息过量增加了互联网用户对资讯识别的难度,传播的内容变得更加碎片化。文本分类技术通过自动识别特征信息,在庞大的文本数据中快速提取文档的核心内容,提高信息的检索效率。作为有效处理非结构化数据的工具,文本分类在数据挖掘领域逐渐成为研究热点。面向电子商务领域的文本数据更多呈现的是短文本形式,如商品标题、商品评论等。针对在线商品的管理首先依赖于商品的类目属性,在产品上架过程中由于用户的领域知识差异,会造成商品类目错置的问题,使得网络零售市场混乱,从而损害商家利益。为了维持网络销售市场秩序,提高市场管理效率,本文提出了一种基于Word2Vec文本表达的短文本分类新途径。现实生活中常存在类别不平衡的文本语料,本文通过skip-gram模型对在线商品标题文本训练得到词向量表示,构建特征间语义联系。针对传统特征选择方法在不平衡样本分类上的不足,综合考虑类别的分布因素以及特征在偏斜类别上的分布因素,对信息增益算法提出改进。在新浪新闻语料集上得到有效性验证后,将改进的算法应用在商品标题语料中,实现网络销售市场的商品自动分类。在获取类目主题时,引入了基于TextRank的关键词提取算法,通过在线商品标题文本的词语共现情况构建图模型。由于传统TextRank未考虑节点自身的重要程度,提出了改进的TextRank方法(S-TextRank)。引入显性比较优势对节点的自身重要度进行衡量,融合Word2Vec词向量聚类结果得到节点的概率转移矩阵,通过迭代计算得到文本的关键词权重,并应用于在线商品的分类学习中。实验表明,改进的S-TextRank方法在分类性能上有较好的提升。