随着大数据和互联网领域的飞速发展,现代互联网社区逐渐向UCG模式开始转变,与一开始大多用户只能从网上被动获取知识不同的是,现在的用户可以选择自己创造信息与用户互动,用户发表自己观点的同时也在接受他人的观点。于是许多用户在进行决策时会根据羊群效应,即依赖于相关的评论带来的信息作出决策。但是面对大量的数据,如何从中获取有效信息成为目前研究的主流。于是基于评论文本的情感分析为用户决策和节约时间成本等带来了研究价值。而随着直播行业的蓬勃发展,弹幕形式的文本更是成为了用户交互沟通的重要平台,面对这种特殊且具有时代特色的文本进行数据挖掘时依旧存在很多研究的空间。由于基于通用情感词典进行情感分析存在泛化性不强,误差大的缺点,本文采用的是以词向量模型为基础的深度学习方法建立情感词典提高情感分析的泛化性。首先将通用情感词典进行融合去重等处理后将之情感词采用word2vec转化为词向量,其次构建基于全连接神经网络的深度学习情感极性分类器,使用TF-IDF值和词间相似度作为种子词的筛选标准,然后用种子词判断从弹幕领域语料库中得到的相似度高的候选情感词的极性后加入到融合后的情感词典,形成针对弹幕领域的情感词典。最后通过不同模型之间的对比,根据模型F1结果来看深度学习方法构建的情感词典要优于机器学习等其他方法,且大量减少了人工标注的成本。针对弹幕文本的不确定性和多重语义等特征,构建弹幕领域情感词典后,对不在情感词典中的词使用构建好的全连接神经网络分类器进行分类赋值。然后构建弹幕文本情感值规则,通过对否定词的收集汇总,制定了基于否定词个数计算的情感值规则。最后结合计算得到某特定视频每分钟情感值的曲线图,每分钟弹幕数量图和词语图等得到弹幕文本情感分析多角度可视化结果。回溯视频本身每分钟弹幕文本可发现,基于深度学习的文本情感分析具有一定的准确性,情感值的高峰和低谷都与该时刻弹幕情感倾向的实际情况基本相符。但不足之处在于无法实时解析弹幕文本,得到电脑的计算速度,且只面相了一个视频网站。增加对象多样性和构建实时系统可作为进一步研究的方向。