多标签文本分类一直是文本研究领域的研究热点之一,其在很多领域都具有广泛的应用价值,比如文本检索系统、推荐系统、情感分析以及对话系统等。在这些领域中,多标签文本分类相对于传统文本分类具有以下两方面特点:(1)标签信息对于文本特征表示有很大的影响,考虑标签信息对于提取出有用的文本特征至关重要;(2)标签之间相互关联,如何解决标签之间的相关性问题也是一大难点。深度学习相对于传统机器学习方法在文本语义特征的自动提取和表达上效果更优,并且深度学习模型在标签信息表示和标签作用关系的表示上能力更强。因此,为了解决上述问题,本文提出两个基于深度学习的多标签文本分类模型,主要工作有:(1)对论文研究涉及到的相关工作进行了扼要的综述。首先介绍了传统的文本表示模型,接着介绍了深度学习模型下的词嵌入表示模型;然后分别介绍了几种经典的传统机器学习分类方法和深度学习的多标签分类方法以及各种变体;最后,分析了各种模型的优劣以及深度学习模型相比传统机器学习模型的优势。(2)针对传统多标签分类方法未充分考虑标签信息和标签之间的相关性的局限性,提出基于标签信息的注意力机制的多标签文本分类模型LSABN。LSABN模型使用基于标签信息的内积式注意力机制或者参数拼接式注意力机制优化文本特征向量表示,并且对每个标签学习到不同的文本特征表示。另外,该模型通过标签关系有向图迭代优化标签嵌入表示,并通过引入正则化项将标签之间的相关性考虑进来以提高分类效果。实验结果验证了该模型相对于基准模型的优越性。(3)针对句子结构语义级别的语义表示欠佳和标签嵌入表示学习不充分的问题,提出了基于混合语义和图注意力机制的多标签分类模型HSGAT。HSGAT模型通过引入胶囊网络到多标签文本分类中解决了传统神经网络对于句子中单词位置信息不敏感的问题。另外,该模型考虑使用图注意力机制迭代优化标签嵌入表示,将优化后的标签嵌入表示用于分类极大程度上缓解了标签关系图中共现而预测结果中不共现的问题。实验结果验证了该模型相对于基准模型的优越性。