随着社交网络的快速发展,产生了大量的社交网络文本数据。社交网络文本的立场分析是针对某一话题所发表的评论,分析其对话题的同意与否,进而表明评论用户的立场是支持、反对或中立。立场分析在热点事件的舆情监测中具有重要的实际应用,成为把握热点话题的重要研究工具,可以为社会管理提供可靠的数据支撑与服务。传统的立场分析任务中,研究人员主要通过构建特征工程、情感词典等来挖掘文本语义特征,通过机器学习的方法来进行立场分类,在特征选择及其设计上需要花费大量人力。本文以社交网络文本立场分析为研究内容,提出了基于深度学习的社交网络文本立场分析方法。本文采用“分而治之”的词向量空间策略训练了五个话题的子向量空间作为词向量嵌入,研究了不同分词工具、不同词向量空间对实验结果的影响。提出了基于注意力卷积神经网络的社交网络文本立场分析方法,将注意力池化与最大池化策略、平均池化策略进行了对比分析研究。实验结果表明,本文提出的基于注意力卷积神经网络的社交网络文本立场分析方法相比较传统的最大池化、平均池化策略,宏平均值分别提高了5.97%和7.3%,显示出基于注意力卷积神经网络的方法优于传统的池化策略。本文在充分分析双向长短时记忆网络、一维卷积神经网络以及注意力机制优点的基础上将三者进行融合,提出了基于注意力融合神经网络CNN-ATBi LSTM的深度融合模型,解决了单卷积神经网络无法获取全局语义信息和传统循环神经网络梯度消失的问题。该模型兼顾局部特征与整体文本语义信息,有效提取话题评论文本的信息,后期采用注意力机制对文本的有效局部信息分布权重,最终得到社交网络文本的特征向量。该方法在NLPCC-2016 Task4公开数据集上的实验结果表明,该模型在五个子话题中的其中四个子话题性能超过了最优评测成绩,总宏平均值超过最优值1.72%。该结果验证了本文提出的方法在社交网络文本立场分析中的可行性与有效性。