随着互联网领域的技术进步与飞速发展,数据的存在形式呈现多样化,其中文本数据作为最常见的数据形式之一,包含着人们传递和接收的信息。在日常生活中,短文本形式多样且应用广泛,常出现于标题分类和舆情分析等场景。短文本分类是自然语言处理中十分重要的任务之一,作为典型短文本形式之一的标题型短文本,其特点在于篇幅极短,但通常是对应全文的总结,对这种标题型短文本数据分类可以帮助人们高效率地获取短文本信息并快速理解文本内容,从而实现信息的再加工。但是由于短文本词汇非常少,将传统的长文本处理方法直接应用到高度稀疏的短文本特征向量上,难以取得较为理想的结果。为了能提高短文本分类效果,本文根据标题型短文本信息量不够丰富的难点,对该类文本数据进行特征扩充。在特征扩充过程中,由于短文本主题分散,已有文献的LDA词扩充带来的分类效果提升有限,因此本文提出的解决方法是基于主题模型和知识图谱对短文本进行扩充,并结合词向量模型对扩充后的短文本进行文本表示与分类。该方法首先利用外部语料库训练LDA主题模型和FastText词向量模型,再基于训练好的LDA主题模型构建包含类别信息的核心主题集,从而在主题层面下获得主题扩充词,同时基于知识图谱创新性地使用修正TF-IDF和卡方统计量进行两阶段筛选,构建包含类别信息的核心概念词集,从而在概念层面下获得概念扩充词。这些扩充词含有主题信息和概念信息,一定程度上可以丰富短文本的信息且具有较强的类别分辨能力。再利用词向量模型对扩充后的文本进行向量表示,最后建立分类模型并进行评估。实验证明,本文提出的方法在标题型的短文本分类任务上获得了较好的分类效果,说明本文基于主题模型和知识图谱的词扩充方式为短文本增加了更有用的信息,从而帮助短文本的分类。