对话文本分类是一种重要的有监督文本分类问题,即对给定的对话文本进行分类。目前这类问题在社会和企业界中被广泛应用,如客户来电原因分类、在线医疗自动分诊、智能语音助手的用户意图分类等。因此,对话文本分类问题也得到了广泛关注,产生了许多研究成果。随着社会发展,人们的需求越来越高,任务处理也日益趋于精细化,对话文本分类需要更加精细化的分类,需要处理标签具有结构的对话文本分类问题。同时也产生了许多新挑战,如数据规模大、层级标签之间和层内标签之间存在依赖关系、语料标签的长尾化严重等问题。目前相关研究成果还比较少,本论文将深入研究此类问题。本文的主要研究工作和创新点主要包括以下三个方面:1.建立了一种层次双向自注意力网络模型解决对话文本分类问题。该模型可以获得句子中词与词之间、对话前后句子之间的语义关系信息。利用该模型可以有效应对对话文本口语化问题。实验表明,该模型在对话文本分类任务中能够获得提升。相比其他四个对比实验,层次双向自注意力网络模型的Macro-F1平均提高4.42%。2.构建了一种基于MRT(Minimum Risk Training)的层次文本分类方法。该方法针对标签之间的极端不平衡性以及实际任务评价指标需求(如F1值),利用MRT将不连续的评价指标直接考虑进模型训练目标,并同时优化MRT和交叉熵训练目标。实验结果显示,该模型可以提高层次分类模型性能。3.构建了一种基于EI(Exclusive&Independent)tree的层次文本分类方法。该方法根据标签路径信息和依赖关系得到路径损失,通过优化路径损失和分类损失组合对文本进行层次分类。在客服对话文本数据集上实验结果显示,该方法可以提升模型Macro-F1。