随着产业互联网的进步,网络逐渐变成了人们交流思想、表达意见的不可或缺的平台和工具。互联网新媒体工具已经成为党、政府、企业加强舆论引导、推动社会治理创新的重要工具。由于网络内容的复杂性和多样性,需要对其进行分类,以满足用户对网络舆情分析的需要,我们熟悉的文本分类方法有典型的传统分类方法和深度学习方法。传统的分类方法不仅造成文本特征向量的高度稀疏性和维数灾难,而且存在丢失文本的语序信息以及造成文本冗余的现象,根据传统的构造方法构造出的特征向量表达不够精准。鉴于对准确性的要求,开展的研究中把句子外部特征作为相关性指标,从而达到过滤格式不规则的非新闻事件垃圾的目的,然后再通过深度学习提取并保留标准格式新闻文本及其语义特征,并在新闻主题层次上进行分类。通过以上的规划,本文研究的相关工作如下:1.本课题提出了一种根据句子外部结构特征来构造特征向量的方法。微博文本具有不规范的无关和垃圾信息的特性,以微博和头条新闻为研究对象,根据提取的新闻文本格式和数量特征规划出句型、情感倾向、特殊的词,和特殊字符等12种外部特性,具有外部格式的微博新闻文本特点和未经处理的微博新闻文本有较为明显的区分。依据各式各样的句子外部特征类型,以及应用机器学习分类方法的来提高分类泛化性能,为实现微博新闻文本的二分法在本次实验中最终选择了随机森林方法,从而提取文本特征相关标准,随之作为接下来分类的参考的同时达到过滤的与新闻无关的垃圾信息的效果,并且针对性的解决了传统文本的稀疏性和文本维度灾难的特征向量表达问题。2.本课题提出了一种融合CNN和GRU的深度学习文本分类方法来处理新闻文本分类。在上述提到的构建特征向量的基础上进而拿到特征值输入到改进的分类模型中进行对在微博新闻的分类,因为大量的文本中有语义信息稀疏主题的多样性的特点,本课题提出一种深度模型C-GRU可以解决以上问题并对微博新闻主题分类目的,具体原因有以下俩方面,其一是由于深度学习模型有对文本特征提取和分类于一体的特性,因此,通过训练C-GRU不仅可以减少了前期特征工程的工作量同时还能达到分类的效果,其二是因为C-GRU自身携带具有门式遗忘的结构,在搜集特征向量时加入少些噪音并扩充了向量集的饱满性,这样让新闻文本关键词与主题相关的内容更加容易采集并加以关联,从而有效实现新闻文本的分类。3.通过对比试验,本课题所使用改进后的方法对于微博新闻文本分类相对应的衡量指标都比传统8F型提高10%-15%,接着把句子外部特征的文本去做深度学习文本分类的应用中,本文改进的C-GRU模型的分类准确率较CNN提高了5%左右。