随着互联网技术的不断发展,各类信息不断朝着多元化与海量化的方向发展。对各类信息进行整理分析的需求呈现爆炸式增长。作为数据挖掘中的一项重要任务,文本情感分类逐渐成为相关领域的研究热点。传统的文本情感分类方法大都基于人工设计特征并进行提取的方法,但由于语义信息的抽象性,仅仅通过统计信息无法准确捕捉深层的语义信息。为解决这一问题,本课题基于长短时记忆网络(LSTM),设计了自动提取文本特征的文本情感分类模型,并开展实验研究。针对文本中语句较长,单词量较大,不利于语义信息提取的问题,本文采用分级网络结构思想,结合长短时记忆网络进行特征提取。利用文本“词-句-篇”的结构特点,对文本结构拆分,进行二次特征提取过程,首先以词为基本单位进行单词级的特征提取得到句子的特征向量,再以句子为基本单位进行句子级的特征提取得到篇章级的特征表示,从而实现文本的特征提取完成分类任务。针对长短时记忆网络在不同时刻所提取到的特征进行选择的问题,在网络编码阶段引入注意力机制,并结合分级网络结构思想,构建H-LSTM-AM模型;基于卷积神经网络对局部信息敏感的特点,将卷积神经网络(CNN)引入到句子级的编码中,构建LSTM-CNN网络模型。并通过实验证明了分级网络结构和注意力机制对分类模型性能提升的有效性。结合注意力机制完成分类模型的可视化处理,提取文中重要程度较高的词和句。针对数据中存在的样本分布不均衡问题,本文改进网络的损失函数结构以提升针对少样本量数据的关注程度;最后结合集成学习中的Bagging算法,通过对多个弱分类器的集成构造强分类器,并通过实验证明了Bagging算法对模型分类性能的提升。