随着互联网的飞速发展,各式各样的网络交流平台以及购物平台不断涌现,网络上出现了各种类型的文本数据,也随之产生了许多与文本处理相关的技术。文本分类作为自然语言处理任务中的基础性任务应用十分广泛,例如搜索引擎中的网页分类、购物平台中的商品分类、微博评论情感分类等等。如果仅仅依靠人力来对海量的文本数据进行分类与处理,那么不仅需要消耗大量的时间,而且效率非常低。因此本文利用现有的深度学习理论与技术研究实现文本情感的自动分类,具有十分重要的现实意义。本文的主要研究工作如下:本文首先对文本情感分类任务的研究背景与相关意义进行阐述,将传统的文本情感分类方法与现有的文本情感分类方法进行对比。使用预训练语言模型BERT完成文本情感分类任务,得到文本的句子向量表示,从而使文本能够表征出更丰富的情感语义信息。其次使用BERT作为词向量模型得到文本的词向量表示,分别与DPCNN和Bi GRU网络相结合进行文本情感分类任务的研究。通过DPCNN网络能够有效发现文本中的长距离关联以及更多全局信息,提取待分类文本中更深层次的情感特征,而Bi GRU网络能够保留文本中词与词之间的上下文关联信息,提高模型的分类效果。针对BERT与DPCNN相结合的模型在小数据集上表现效果不尽人意的情况,对模型进行进一步改进,提出一种基于注意力池化的APDPCNN模型。该模型用注意力池化层代替原有的最大池化层,根据文本中不同词对于最终情感分类结果的贡献度分配不同的权重,更加全面的关注文本情感特征,从而使模型达到更好的表现效果。其次也在BERT与Bi GRU相结合的模型上引入注意力机制,突出文本中更能表达分类结果的情感词的权重,提高情感分类的准确率。将上述几种情感分类模型分别在Acllmdb＿v1和酒店评论两个公开数据集上进行测试,通过对比实验验证了这几种模型对于改善情感分类任务的有效性。最后在上述研究的基础上,设计了一个文本情感分类系统,整个系统分为算法模型训练部分和文本情感分类部分,算法模型训练部分是利用本文所设计的文本情感分类算法进行模型训练以及对算法模型参数进行调优,文本情感分类部分是实现对所输入文本进行情感的自动分类。该系统主要分为数据爬取模块、数据预处理模块、模型训练模块以及用户交互部分,最后通过用户交互界面将测试结果展示出来,进一步验证了本文文本情感分类方法的有效性。