在文本分类领域深度学习算法已经成为了研究的热点。目前研究者们已经尝试了许多不同的深度学习算法然而目前的一些研究表明基于单一算法的文本分类模型并不能满足高质量分类的需求。因此本课题提出了一种基于cnn－gru网络的文本分类模型并在gru层上加入了注意力层加以综合权重公式提取文本关键词代替

深度学习算法在文本分类领域备受关注，但目前仍存在许多挑战。最近的研究表明，仅仅依靠单一算法的文本分类模型难以实现高质量的分类效果。因此，本文提出了一种基于CNN-GRU网络的文本分类模型，其中添加了注意力层以及综合权重公式来提取文本关键词，代替整篇物流文本，以提高分类的准确率和效率。

该模型基于注意力机制，能够减少模型的输入向量，使模型迅速收敛，并显著提高准确率。实验结果表明，采用关键词为输入的文本分类模型优于基于神经网络GRU的模型，卷积层能够更好地捕获数据中的空间局部信息，从而实现更准确的特征提取和分类。此外，引入注意力机制的模型在分类效果上也会产生积极的影响，在准确性、召回率和收敛速度方面都比未加入注意力机制的模型更优。

总之，本文提出的基于CNN-GRU网络和注意力机制的文本分类模型能够有效地提高分类准确率和效率，为文本分类领域的深度学习算法研究提供了新的思路和方法。