随着互联网技术的飞速发展,网络评论空间中产生了大量的信息,这些信息主要由微博评论、商品评论、社交评论等组成。而评论往往带有比较强烈的情感色彩,因此对网络评论进行情感分析具有重大的社会价值和现实意义。本论文对情感分析领域的现状以及深度学习理论进行了深入地研究,分析了该领域存在的一些问题,从提升情感分析预测的准确率出发,首先针对单一深度学习模型存在的不足,提出了一种多模型融合文本情感的算法;其次,针对词向量中缺乏情感信息的问题,提出了一种情感词向量的构建方法。本论文具体的工作内容和创新点如下:(1)为了解决单一的深度学习模型难以在获取高度抽象文本特征的同时学习句子的序列特征的问题,本论文提出了一种多模型融合的深度学习算法,首先利用卷积神经网络的并行特征提取能力对数据进行特征提取。接着结合双向长短时记忆神经网络抽取句子序列特征的优点,将提取的特征送入双向长短时记忆神经网络模型进行训练,同时使用全局均值池化的方法减小模型的复杂程度。本论文在亚马逊评论数据集和SSTb数据集中进行对比实验,实验结果表明,与传统算法相比,本论文提出的算法能够有效地提升情感分析的准确性。(2)为了使词向量具有情感信息,本论文构建了情感词向量训练框架,通过改进Skip-Gram词向量训练模型,将情感信息融入词向量训练模型中,从而构建情感词向量。对于情感分析任务而言,情感词向量可以丰富文本的情感表达,提高情感分析的准确性。实验采用亚马逊评论数据集进行情感词向量的训练,而后利用SSTb数据集对不同的词向量进行对比。首先,分别计算亚马逊数据集中正负样本中的高频词,分别挑选出现词频最多的且具有强烈情感色彩的词作为正向情感词组和负向情感词组;接着通过SO-PMI算法计算剩余词情感倾向,同时使用TF-IDF对单词情感进行加权;最后使用改进的Skip-Gram模型对词向量模型进行训练,从而得到情感词向量的表达。实验证明,该方法可以有效区分诸如“good”和“bad”这一类上下文结构相近但情感相反的词,从而进一步提升情感分析任务的效果。