随着互联网的高速发展,网络舆情对法院审判工作的影响力也日益凸显。微博是热门案件讨论的聚集地,案件微博是指与案件相关热点事件为焦点的互联网微博。针对案件相关微博的情感倾向性分析技术可以快速地从大量的评论中获取情感信息,从而了解到人们在不同方面对案件持有的态度,对预测案件舆情走势起到指导作用,具有重要研究意义。与普通的情感分析方法不同的是,本文围绕案件微博领域的特点,分析案件要素信息在情感分析过程中的作用,在基于卷积神经网络和双向LSTM等深度学习网络框架下,研究了案件微博观点句的识别、评价对象的抽取和情感倾向性分析方法,本文对展开面向案件相关微博评论的细粒度情感分析研究,主要完成了以下特色工作:(1)案件微博数据获取和数据集的构建。数据获取以及带标记的训练语料是监督学习的基础。本文通过requests工具包请求,再解析出带有html标签的文本,通过关键词搜索,从新浪微博上爬取出当下热门案件微博原文和评论数据。根据观点句识别和评价对象级别情感分析的不同任务需求,在#公交车案#、#奔驰案#上构建了共39个案件微博原文文本和4711条案件微博相关评论的案件微博观点句识别数据集;在此基础上,针对案件评价对象和极性标注,构建了包含2003个评价对象和2379条评论的评价对象级别情感分析数据集。本章工作对后面的研究点有着重要的支撑作用。(2)提出了一种基于特征扩展卷积神经网络的案件微博观点句识别方法。案件微博观点句识别相比通用领域观点句识别任务,通常涉及特定的案件要素信息,这些信息普遍存在于案件微博原文中,对观点句识别过程有着重要的指导作用。因此,结合基于卷积神经网络的深度学习框架,提出了结合了案件信息特征扩展的案件微博观点句识别方法。首先利用text Rank技术抽取出案件原文中的关键词,利用带有案件要素的关键词信息对输入层进行了特征扩展,通过卷积层抽取出与案件关键词关联的观点特征,最终识别出所需的观点句。为了验证方法的有效性,在构造的案件微博观点句识别数据集上进行实验。实验结果表明该方法在识别的准确率上较基准模型具有很好的效果。(3)提出了一种基于双嵌入多层卷积神经网络的评价对象抽取方法。案件微博评价对象在通用领域和案件领域中代表的含义有差异性,其在通用领域中无法准确表征出与案件的相关性,而在案件领域中具有案件特定的含义。因此提出了融合双嵌入多层卷积神经网络的评价对象抽取方法。首先对案件微博评论文本进行预训练,得到具有案件领域特征的嵌入层,同时通过案件微博领域与通用领域的嵌入层,得到不同领域对评价对象的表征结果并进行拼接操作,通过卷积层抽取出与案件相关的特征,最后利用分类器对序列进行标记来提取案件微博评价对象。为了验证实验的有效性,在构造的案件微博评价对象级别情感分析数据集上进行实验,实验结果表明比传统的神经网络模型有更好的效果。(4)提出了基于BiLSTM权重共享的案件微博评价对象情感倾向性分析方法。现有方法大多利用上下文为评价对象构造特征,在一个句子中存在多个评价对象的情况会因不同评价对象的特征较相近导致分类结果不准确。因此需要针对评价对象的情感,用评价对象来约束评论句整体的倾向性分析。提出了基于BiLSTM框架下权重共享的案件微博评价对象情感倾向性分析方法。首先分析了案件微博评论的特点,通过建立输入分别为案件微博评论和案件微博评价对象的BiLSTM分类模型,同时利用权重共享在同一向量空间上对不同向量进行编码,可以得到案件微博评论和评价对象的相关信息,最后结合注意力机制提高特征向量的表达能力,进行情感倾向性判别。为了验证实验的有效性,在构造的案件微博评价对象级别情感分析数据集上进行实验,实验结果表明比传统的神经网络模型有更好的效果。(5)案件微博情感分析原型系统。利用以上研究成果,设计并实现了案件微博情感分析原型系统。集成了数据获取、评论文本对应的观点句识别模型、评价对象的抽取模型和情感倾向性分析模型,为用户提供了可视化的信息获取平台。