文本表示与文本分类被广泛的应用于网页拦截,邮件信息过滤和信息检索等领域,属于自然语言处理的基本任务。目前的基于深度神经网络的文本表示与文本分类模型虽然取得了很好的效果,但是在实践中被证明容易出现过拟合问题。近年来,将对抗训练方法应用于自然语言处理领域,通过在深度神经网络中添加对抗扰动,降低模型对于对抗扰动的敏感性,能够有效地缓解模型过拟合。因此,本文研究基于对抗训练的文本表示与文本分类方法,论文主要工作如下:(1)设计了基于语言模型对抗训练的文本表示与文本分类模型LM-LSTMAdv T。LM-LSTM-Adv T模型首先训练基于长短时记忆网络(Long Short-Trem Memory,LSTM)的循环神经网络语言模型的文本表示模型得到文本表示和网络权重,然后训练基于LSTM的文本分类模型进行文本分类。为了缓解模型LM-LSTMAdv T过拟合问题,在文本表示模型和文本分类模型都采用基于FCM的对抗训练方法,即在词向量层添加损失函数相对于词向量梯度的对抗扰动。实验结果表明,LM-LSTM-Adv T模型相对于未使用对抗训练方法的LM-LSTM模型在数据集AGNews、Subj、MPQA、CR、MR上分别提高了0.14%、2.17%、3.84%、8.48%和6.13%的准确率。另外,LM-LSTM-Adv T模型相对于仅在基于LSTM的循环神经网络语言模型的文本表示模型使用对抗训练方法的LM-Adv T模型在数据集Subj、MPQA、CR、MR上分别提高了0.87%、1.01%、0.12%和0.16%的准确率。(2)设计了基于序列自编码器对抗训练的文本表示与文本分类模型SA-Adv TLSTM-Adv T。SA-Adv T-LSTM-Adv T模型首先训练基于LSTM的序列自编码器文本表示模型进行特征提取,得到文本表示和网络权重,然后训练基于LSTM的文本分类模型进行文本分类。为了缓解模型过拟合问题,同样采用基于FCM的对抗训练方法训练文本表示模型和文本分类模型。为了充分研究SA-Adv T-LSTM-Adv T的模型效果,本文另外设计5种对比模型。实验结果表明,SA-Adv T-LSTM-Adv T模型与未使用对抗训练方法的SA-LSTM模型在数据集AGNews、Subj、MPQA、CR、MR上分别提高了0.78%、3.05%、2.1%、1.11%和5.27%的准确率,并且在与LM-LSTM-Adv T模型相比,SA-Adv T-LSTM-Adv T模型在数据集AGNews、Subj、MPQA、CR、MR上分别提高了0.82%、0.14%、0.45%、0.89%、0.58%的准确率。另外,本文还将LM-LSTM-Adv T模型和SA-Adv T-LSTM-Adv T模型与VVD、CNN、Fast Text等现有的文本表示与文本分类模型进行了对比,实验结果表明,在数据集AGNews、Subj、MPQA、CR、MR上,本文SA-Adv T-LSTM-Adv T模型的准确率优于其他模型。