Die Textklassifizierung ist eine der grundlegenden Aufgaben in der Natürlichen Sprachverarbeitung. Kürzlich haben tiefe neuronale Netze im Vergleich zu flachen Modellen vielversprechende Ergebnisse bei der Textklassifizierung erzielt. Trotz der Bedeutung von tiefen Modellen ignorieren diese die feingranularen (Übereinstimmungssignale zwischen Wörtern und Klassen) Klassifikationshinweise, da ihre Klassifikationen hauptsächlich auf den textbasierten Darstellungen beruhen. Um dieses Problem zu lösen, führen wir einen Interaktionsmechanismus ein, um wortbasierte Übereinstimmungssignale in die Textklassifizierungsaufgabe zu integrieren. Insbesondere haben wir ein neues Framework, das EXplicit interAction Model (kurz EXAM), entwickelt, welches mit diesem Interaktionsmechanismus ausgestattet ist. Wir haben den vorgeschlagenen Ansatz an mehreren Benchmark-Datensätzen evaluiert, einschließlich sowohl multilabel- als auch multiclass-Textklassifizierungsaufgaben. Ausführliche experimentelle Ergebnisse belegen die Überlegenheit der vorgeschlagenen Methode. Als Nebenergebnis haben wir den Code und die Parameterkonfiguration veröffentlicht, um andere Forschungsarbeiten zu erleichtern.