1、文本作為人們使用語言交流的重要媒介之一，在人們的歷史活動中發(fā)揮了至關重要的作用。文本表示作為機器對文本理解處理的第一步，也顯得越來越重要。當前語義表示方法，主要是以詞語或句子為基本單位，這種處理方式與人類理解語言的方式相違背，效果一直差強人意，因此，模擬人類理解自然語言的方式，提取句子中的關鍵信息，構成句子的基本概念結構，并嘗試使用這種概念結構來進行語義表示，是一種潛在的研究途徑。在研究方法方面，現(xiàn)存的一些自然語言處理方式正逐漸由以前的

2、基于規(guī)則的方式，向當前基于統(tǒng)計的處理方式發(fā)展，而在未來，如何利用互聯(lián)網提供的海量數(shù)據，在大數(shù)據背景下使用計算機智能算法實現(xiàn)對文本的表示和語義的挖掘，漸漸成為人們研究的熱點和方向。
　　本文首先研究了文本處理中的一些基本步驟，介紹了一些過去的文本表示方法和語義挖掘中常用的算法模型，對一些常見的分類模型，包括樸素貝葉斯算法，支持向量機，K近鄰分類算法，以及深度學習領域很熱門的深度信念網絡模型等，也進行了研究。之后結合文本表示中概念圖的

3、相關理論，提出面向中文領域文本表示的中文語義組塊，旨在結合中文語義組塊完成對文本句子概念結構的抽取。實驗方面，本文通過構建以支持向量機為核心算法的半自動化語料庫生成模型，構建出中文語義組塊在科技評審領域的相關語料庫，最后本文研究了以深度信念網絡為代表的深度學習模型，結合本文構建的語料庫，研究了大數(shù)據背景下深度學習算法在中文語義組塊自動抽取方面的可行性，并構建相應的模型，通過比較不同算法下中文語義組塊的抽取結果，驗證了深度學習算法在文本抽