经典的LSTM分类模型，一种是利用LSTM最后时刻的输出作为高一级的表示，而另一种是将所有时刻的LSTM输出求平均作为高一级的表示．这两种表示都存在一定的缺陷，第一种缺失了前面的输出信息，另一种没有体现每个时刻输出信息的不同重要程度．为了解决此问题，引入 Attention 机制，对 LSTM 模型进行改进，设计了 LSTM-Attention 模型．实验结果表明: LSTM 分类模型比传统的机器学习方法分类效果更好，而引入 Attention 机制后的 LSTM 模型相比于经典的文本分类模型，分类效果也有了一定程度的提升．

新闻文本的特征、标签

包含体育、游戏等10个类别，共60000多条数据 格式：标签\t文本语料

头条新闻文本分类数据集，包括11个类别，近50万条数据，文本内容为新闻标题+提取的关键词，分为训练数据和验证数据两个文件

SougoCS数据集，内含11类搜狐新闻文本，近10万条。 搜狗提供的数据为未分类的XML格式。 此资源已经将XML解析并分类完毕，方便使用。

50000条新闻文本数据集，文本有9类。可用于文本分类模型训练。