情感分类方法发展至今,主要有两种流派:基于词典的方法以及基于统计学、机器学习的方法。基于词典的方法由于十分依赖情感字典的建立并且其构建成本较大以及不能够应对复杂多变的舆情情感信息从而限制了其应用,而基于统计、机器学习的方法能够非常好的克服此类问题,因此逐渐成为近些年来的主流。基于统计学的方法在处理情感分类问题中有两个关键的步骤:将非结构化的文本数据数量化以及选择适合的分类器进行训练。针对上述两个关键步骤,本文尝试将具有情感信息的词向量与卷积神经网络相结合来解决情感分类的问题。将结构化文本数据数量化的传统词向量方法无法捕捉到文本语料中的情感信息,因此本文采用了情感词向量的方法作为替代。本文中,首先在一个大规模数据集上利用无监督学习的方法训练得到不包含情感信息的词向量,再利用情感词向量模型在标注了情感极向的数据集上对得到的词向量进行情感信息的加工,由此我们得到了能够非常适合情感分类问题所需要的词向量。因为情感信息属于人类语言中较高层次的信息,所以传统的分类器在面对情感分析问题时不能够达到非常好的效果,而卷积神经网络利用卷积的操作可以非常好的将文本数据中较为抽象、高级的信息提取出来,并且池化的操作能够适应不同长度的文本,因此本文选用了卷积神经网络作为情感分类的分类器进行训练。本文的贡献在于将孤立的情感词向量方法与卷积神经网络相结合,设计了一个包含查找层、卷积层、池化层、输出层的四层卷积神经网络,再通过配合情感词向量应对大规模复杂舆情情感数据。通过将庞大数据集分批次进行迭代,不断地通过反向传播的算法更新参数来训练模型。在本文的试验中发现,该方法所得到分类效果相较于传统方法或者传统的词向量都有所提高。