随着互联网科技的飞速发展,越来越多的用户在社交平台上进行的言论、评论、交流等方式用来表达他们的态度和情感,也包括对产品、服务等各个方面的体验和评价的文本数据逐年的增长。因而对这些社交媒体平台上的海量的文本数据进行情感分析与挖掘有很大的实用价值,并逐渐成为一个热门研究方向。目前情感分析领域大多是针对情感极性的研究,采用传统的文本的情感分析的方法,基本上都是依靠繁琐的特征工程,将文本分为积极情感和消极情感,而针对文本细粒度的情感分析的研究较少。分析和研究文本中的情感在舆情监控和信息检索等领域都有着重要的现实意义和研究价值。针对如微博中的文本通常都具有稀疏性、接近重复性、口语化等特点的文本,分析和挖掘都是很有难度的。随着深度学习在图像、语音等领域取得的巨大的进展,将深度学习应用在情感分析任务上越来越多。在研究情感分析任务中,现有的深度学习在词向量处理上没有充分利用文本中表情符号的情感特征,且提取特征的所使用的模型通常基于神经网络,目前神经网络当要记住的“信息”比较多时,模型就要变得更复杂才能满足,因目前计算能力依然是限制神经网络发展的瓶颈;虽然采用局部连接、权重共享、池化等优化操作可以让神经网络变得相对简单一些,对模型复杂度和表达能力之间的矛盾有所缓解;但是,如循环神经网络中的长距离以来问题,信息“记忆”能力并不高。因此本文借鉴人脑的注意力机制,采取只选择一些关键的信息输入进行处理,提高神经网络的效率。因此本文按‘喜’,‘伤’,‘恐’,‘乐’,‘悲’,‘惊’,‘怒’,7种情感进行细粒度的分类,并采用基于情感融合的自注意力机制的文本情感分析模型。该模型将融合表情符号的语义合成向量,作为网络的输入层。再利用融合位置信息的自注意力网络提取高层文本特征训练分类器,完成在文本中建立词语间依赖关系以及获取多角度情感语义信息。实验结果验证了模型的可行性和有效性。本文采用了情感融合的自注意机制的文本情感分析模型,并利用层次结构进行情感分类;SVM是通用性强的机器学习方法,适用范围比较广。结合以上的方法特点和情感分类的目标任务。本文设计了微博文本进行细粒度的情感分类方案,首先使用SVM对文本进行主客观分类,情感融合的自注意力机制对判定为主观的情感文本进行每个句子的细粒度情感判断。本文的设计方案通过实验效果表明,该系统的实用性。