互联网和大数据行业蓬勃发展,新闻已经成为人们了解社会动态、获取社会信息资源的重要手段之一。新闻文本分类有助于新闻信息的管理、新闻秩序的实现和新闻数据的挖掘,对节省人力资源和高效获取有价值的新闻信息具有重要意义。然而,目前新闻文本分类研究以英文居多,中文的新闻文本分类较少和相关语料库欠缺。而且常用的传统机器学习方法在长文本处理方面,存在文本特征提取不完善等问题。深度学习的出现进一步突破了机器学习面临的瓶颈,给文本分类领域带来了重大机遇,为此本文将深度学习算法引入新闻文本分类研究领域,开展了基于深度学习的新闻文本分类方法研究与应用。具体工作为:首先,在文本表示方面,针对中文的新闻文本分类较少和相关语料库欠缺的问题,根据构造的数据索引,本文设计采用权重抽取和词频统计的方法,制作了适合中文长文本分类的词汇表,并采用One-hot和Word2Vec工具将文本数据词向量嵌入表示,为文本特征的输入和提取提供了便利的词向量映射。其次,本文提出了中文新闻文本分类的技术框架,并在深度学习模型门控循环单元和卷积神经网络的基础上进行改进,分别提出并实现了分层双向-GRU分类算法和组合-CNN分类算法。分层双向-GRU分类算法通过正序和逆序双向通道和多层隐藏层信息传递的方式,实现了对长文本前后信息的有效记忆。组合-CNN分类算法通过分别卷积池化再组合的方式,使文本块局部特征提取更加全面。实验结果表明,分层双向-GRU和组合-CNN分类算法提高了中文新闻文本分类的准确性,精确率分别达到93.20%和93.69%,优于对比的传统机器学习算法和深度学习算法。对数据集均衡化处理后,改进的分类算法进一步取得了更好的分类结果,精确率分别高达95.80%和95.57%,召回率和F值两项指标也取得了很好的结果。再次,为防止机器学习模型和深度学习模型训练中遇到过拟合、梯度消失和梯度爆炸等问题,本文在模型中设计了有效的模型正则化和RAdam优化算法。正则化方法获取了合适的模型迭代轮次,并引入Dropout层减轻过拟合现象。优化算法通过实验效果对比,采用了新兴的RAdam优化算法,以自适应学习率的方式优化模型训练。最后,在实现新闻文本自动分类的基础上,将分层双向-GRU和组合-CNN分类算法应用于新闻分类个性化推荐系统,设计并开发了可视化的新闻界面。系统采用微信小程序作为实现平台,建立了新闻阅读与音乐推荐相结合的应用。该应用系统解决了海量新闻数据造成的信息过载问题,满足了人们在新闻阅读时听音乐的习惯需求。综上所述,通过理论研究与实验分析表明,本文研究工作对新闻文本分类效果提升显著,具有极其重大的经济价值和社会效益。