随着互联网技术的迅猛发展,网络已经成为人们获取信息的重要平台。近年来互联网用户逐日剧增,网络中的新闻文本数量呈现出爆炸式的增长趋势,如何对这些海量的新闻文本进行高效的分类和管理,已经成为了当下热门研究课题之一,由于网络新闻文本表达形式多种多样,文本结构不规范,文本内容参差不齐,无形之中增加了文本分类的难度。因此,需要一种高效的文本分类算法对海量的文本进行分类和整理,从中挖掘出有价值的信息。在机器学习基础上延伸而来的深度学习,其独特的非线性计算能力,能够很好的刻画文本数据的特征,对文本数据进行高效的处理,本文提出一种基于改进的卷积神经网络新闻文本分类模型框架。论文完成的主要工作如下:(1)针对word2vec词向量模型只获取词的局部上下文语义信息而缺乏整体语义信息的缺陷,本文提出将word2vec词向量与LDA主题模型相结合的方式对文本进行表示。使用word2vec词向量的Skip-gram模型对文本进行训练,将文本映射到低维且稠密的向量空间中,然后计算各个词向量之间的余弦相似度距离并以此来衡量词的语义关联性。在计算词向量权重时加入词性权重因子对词向量权重计算公式进行改进,以此为重要的词赋予较大的权重值。实验表明,改进的特征表示方法能够获取文本浅层语义的词向量。(2)在传统卷积神经网络的卷积层引入多层感知器,提高卷积计算能力,获取质量较高的特征。首先将得到的融合特征表示作为模型的输入,利用多层感知器的卷积层获取关键特征,接着利用池化层的池化操作对特征数据进行降维和筛选,最后将获取到的质量较高的特征通过全连接层进行连接并利用Softmax进行分类。实验分类结果表明,本论文设计模型的准确度为92.4%、召回率为91.9%、F1值为92.2%,分类效果良好,说明本论文改进后的模型能够较好地提升文本分类的效率。图[24]表[12]参[55]