随着社交媒体用户评论数据的急剧增加,对于用户评论文本的情感分析和观点挖掘逐渐受到研究人员的重视。这些评论数据数量众多、风格多样,仅靠人工处理费时费力。因此,对社交媒体评论数据进行情感信息提取,判断用户对产品、服务等的评判态度,确定用户评论的侧重点和情感倾向具有十分重要的研究意义。基于此,本文通过深度学习模型对社交媒体评论数据进行情感信息挖掘,以社交媒体评论数据作为研究对象,对情感分析过程中的文本表示和情感分类模型两个子任务进行重点研究。首先,针对下游任务的需求,本文使用两种文本表示方法对评论文本进行数字化处理,分别是文本的分布式表示和文本的图表示。分布式表示方法也被称为词嵌入,该方法通常将文本中的单词输入预训练模型中进行训练,将其转换为连续的稠密向量。分布式表示方法是目前最常用也是最有效的文本表示方法,其依据为分布式假设,即拥有相同或相似上下文语境的词具有相同或相似的含义。文本的图表示是通过句法分析得到文本中的词性信息以及词与词之间的句法关系,将单词作为节点,词与词之间的关系作为边构建依存句法图。其次,本文根据当前细粒度文本情感分析任务中忽略了单词间长距离依赖关系和句法关系等问题,提出一种基于图卷积网络的交互式注意力模型（Interactive Attention Graph Convolutional Network,IAGCN）。IAGCN模型充分考虑到评价对象短语的独立建模问题以及评价对象与上下文的交互注意力计算对情感分析的重要性。并利用GCN考虑了文本的句法信息,通过句法距离位置注意力机制计算上下文词对评价对象短语的影响,提升了模型性能。最后,由于人们对语言的理解不可避免受到个人经历和认知水平的影响,带有强烈的主观性。也就是说,人类并非孤立地使用语言,语言使用需要考虑其复杂的语境信息。本文根据社交媒体用户和相关主题的历史评论文档学习用户和主题嵌入,通过融合复杂语境的方式减弱语言主观性对情感分类性能的影响。和普通的文本情感分类任务相比,融合语境的文本分类能够对复杂语言进行语义消歧。