随着信息技术的迅速发展,人们越来越习惯于通过手机、计算机等线上平台查看各类信息,这催化了各类新闻网站的诞生。但由于新闻文本数据内容本身是非结构化的,普通计算机技术无法直接对其进行有效识别和处理,而文本分类技术则是一种用于将普通文本内容转换成计算机所能学习的数据形式的重要技术。随机森林是一种由多棵决策树集成的学习算法,其具备的分类精度高、泛化误差小、擅长处理大规模数据等优点,使得随机森林被广泛应用于各个学科领域中,一直被各界学者所关注。新闻文本由于其长文本的数据特点,经过文本特征过程处理后所得的数据一般都是高维的,随机森林模型适用于处理这类文本数据。但新闻文本是一种多分类数据,会出现某些小众新闻类别的数据样本非常少的问题,而传统的随机森林在处理不平衡数据时会存在一些不足之处:一是在面对不平衡数据时,随机森林的分类结果往往会偏向于多数类,这会导致少数类样本的分类准确率明显低于多数类;二是由于随机森林是由多棵决策树组合而成,传统随机森林中每棵决策树的质量都不一样,但在投票决策阶段每棵决策树拥有相同的投票权重。针对以上的不足,本文在利用文本数据基于Word2vec空间向量文本相似度的基础上,从构造平衡样本数据、决策树加权投票以及模型集成优化三个方面对随机森林进行改进。（1）为构造平衡样本空间,本文结合SMOTE过采样的思想,基于Word2vec空间向量文本相似度分区域筛选少数类合格样本与其近邻样本,通过插值的方式合成新样本;（2）基于所构造的平衡数据,在训练生成随机森林的过程中,根据文本相似度改造每棵决策树的袋外数据,使用决策树对新袋外数据进行分类,并依据分类准确率赋予决策树投票权重。（3）为了能进一步提高改进随机森林模型的稳定性以及分类性能,利用集成模型思想,在本文提出的改进随机森林模型的基础上,结合Bagging集成学习方法,通过并行训练多个基学习模型,并使用等权重投票融合分类结果,最终得到一个强分类模型。实验证明,本文提出的基于文本相似度的改进随机森林算法能有效提高随机森林对不平衡新闻文本数据的分类性能,而经过集成后的改进随机森林较原来具有更好的泛化能力。