当前互联网上的文本多以短文本为主,如微信、微博等。短文本具有特征稀疏、表达不规范、表达情绪多样等特点。传统的针对长文本情绪分类的各种方法和技术均不适用于对短文本数据的情绪分类处理。因此,本文将图像领域取得很大突破的深度学习方法应用于中文短文本情绪分类,设计了基于LSTM-CNN的中文短文本情绪分类的技术方案,针对中文文本的特点,对数据进行了预处理,并通过大量实验证实了该方案的有效性。本文的主要工作体现在以下几个方面:首先,构建了中文短文本情绪分类语料库。由于目前没有公认的数据量较大的中文情绪多分类语料库,因此,本文确定了喜悦和赞扬两类正向情感以及失望、愤怒、憎恨、害怕四类负向情感,在此基础上,收集、整理相关数据,共筛选和梳理出两万余条标注的情绪语料,构成了情绪分类语料库。其次,对情绪分类语料库中的语料进行预处理。对语料的预处理工作主要包括中文分词以及词向量的训练两个方面。本文使用jieba分词工具包对中文语料进行分词处理,之后通过word2vec中的skip-gram模型将语料训练成词向量,以供分类模型进行分类。最后,本文提出了一种基于LSTM-CNN的中文短文本情绪分类模型。该模型将深度学习中LSTM和CNN相结合,可以分为四个部分:首先通过LSTM层提取文本的语义特征,引入attention机制对重要特征的位置进行特别关注,并将特征向量纵向堆积成二维矩阵;随后,将二维矩阵输入到卷积层,并在卷积层设置了三种不同大小的卷积核对不同颗粒度的特征进行初步提取;接着,在池化层采取最大池化的方法,对卷积层提取的特征进行二次提取;然后,通过全连接层对提取到的特征进行整合;最后,将得到的特征输入到softmax分类器,完成分类任务。通过对比实验证实:相较于其他分类模型,本文所提出的分类模型具有更优的准确率。