情感分析或意见挖掘是对人们对实体及其附属或特定定义具有感情色彩的主观性观点的计算研究。该领域的起步和快速发展与社交媒体的保持发展相一致,如国内微信、微博、QQ空间、抖音等社交媒体,随着社交媒体的迅猛发展和海量数据的生成,越来越多的研究将社交媒体信息用于医学领域研究,其中精神医学是其热点领域之一。本论文主要面向领域文本情感分析做了两方面工作,具体如下:一、Google发布了一种基于深度双向Transformer的语言模型BERT,该模型完全基于注意力机制,同时可以并行计算且训练的网络可以更深层,但该模型在某些领域中小数据集上实测数据并不优于基于RNN或CNN的神经网络准确率。基于此,本论文在该基础上提出了一种基于情感符号权重的网络模型改进方法,旨在探索情感分析领域反讽表达的语言学机制和特点,即构建情感符号库各情感符号在文本中不同的重要性,从反讽文本中提炼有效特征,包括词汇、句法、表情符号、情感特征等。通过神经网络训练数据集自动学习获取相应的权重,然后将Transformer模型与该计算权重相结合,最终输出情感级性,该方法提高了Transorfmer模型在本研究中的稳定性和准确性。二、围产期抑郁症危害一直被认定为“女性心理健康三大杀手”之一,加强对围产期抑郁症的诊断筛查是降低发病率的有效措施,目前临床中应用于围产期抑郁症的诊断方法与抑郁症的诊断方法基本相同,大致分为量表类筛查、血液生化检查、影像学检查三大类,该传统方法相对主观、存在文化适应性问题,同时也需要辅以大量的人力物力。本论文基于社交媒体（微信朋友圈）结合围产期抑郁筛查对文档级情感分类进行阐述,通过应用基于情感符号权重的Transformer模型,完成了原始微信朋友圈的用户情感特征提取、特征组合和结果分析,最终得出筛查结果。试图探究性地应用深度学习网络模型对围产期抑郁症进行筛查,通过实验及传统量表调查初步说明了深度学习是可以用在围产期抑郁症筛查,达到与EPDS产后抑郁量表筛查相近结果。该方法较目前人工的筛查手段有了较为客观反应围产期用户的真实情况,在一定程度上降低了医患的沟通成本,提升了围产期抑郁症的早期筛查效率。本论文的研究对于特定领域的情感分类任务具有积极意义,同时给文档级情感分析提供了新的思路和方式方法上的借鉴。