在当今社会生活中,机器学习已经成为一个重要的研究话题和应用趋势。而在机器学习领域内,对于文本进行分类处理与分析是重要的研究方向并且具有实际应用价值。多任务学习通过利用多学习任务中所有有效的信息来缓解数据稀疏性问题,从而帮助每个任务提升学习能力,得到更为准确的结果。同时,通过学习任务之间可以互相利用的信息,分析未来数据,来帮助缓解数据稀疏性问题。从理论分析和实际应用中,多任务学习都要比单独学习这些任务表现的更具优势。目前,针对现有的传统多任务文本分类学习模型不能够对文本特征进行有效提取的问题,以及容易忽略输入信息重要程度的问题,本文将注意力机制与对抗多任务学习相结合,从评论文本数据输入处入手,引入注意力机制,提出基于注意力的对抗多任务文本分类模型。注意力机制是依靠权重对文本数据中能够反映文本特征的重要的文本信息进行重点关注,并达到对文本数据特征有效提取的目的。以往的注意力机制较为普遍地应用于图像处理任务上,近几年才开始在文本处理等任务上引入。注意力机制通过训练权值,加权计算,合理表示文本数据信息,按照重要程度学习文本信息,对后续学习任务有显著帮助。通过对比四种多任务文本分类学习模型的最高正确率显著说明本文设计的模型的正确性和优势,对比四种多任务文本分类学习模型在多个任务上的平均正确率来说明模型在多任务文本分类问题上的普适性和正确性,较为直观地说明基于注意力的对抗多任务文本分类模型能够有效地解决一般的传统多任务文本分类学习模型不能够对文本特征进行有效提取的问题,以及容易忽略输入信息重要程度的现实问题,从而使得注意力模型的多任务文本分类能力明显提升。