随着社交软件和电商平台等应用的蓬勃发展,存在于这些应用的海量文本数据蕴含着大众对某些热点事件的情感态度,对文本数据进行情感分析,挖掘其包含的情感态度在舆情监控和策略制定等方面具有深远意义。传统的文本情感分析方法为挖掘情感态度提供了技术支持,但系统的鲁棒性较低,在文本被恶意添加扰动或被破坏时,对情感分析系统会造成一定的干扰,从而导致结果的误判。为了提高文本情感分析系统的稳定性和准确性,本文重点研究在强鲁棒性前提下的文本情感分类问题,具体的研究内容如下:(1)针对文本情感分析系统鲁棒性不高的问题,本文提出融合对抗训练和对抗Dropout方法的文本情感分析模型。采用对抗训练在输入层对文本添加对抗扰动来训练对抗样本,同时在网络的隐藏层进行对抗性Dropout,以动态遮蔽适当数量的神经元,从而提高模型鲁棒性和情感分类效果。(2)为了在强鲁棒性的条件下进一步提高情感分类的性能,本文提出结合注意力机制与对抗训练的文本情感分析模型。注意力包含基于情感词的全局注意力机制和基于自适应尺度的局部注意力机制,前者既关注到情感词又保留了文本信息的完整性,后者既可以自适应地选择合适的尺度又捕捉到重要的局部信息。将两种注意力机制与融合了对抗训练和对抗Dropout的方法进行结合,不仅可以提升情感分类的性能,而且不明显增加训练时间。(3)针对文本特征提取器单一性的问题,且为了进一步提升情感分类的性能,本文提出结合循环自注意力机制与对抗训练的文本情感分析模型。使用基于循环自注意力机制的模块代替循环神经网络和卷积神经网络作为文本特征提取器,并在该模块中使用残差网络结构以保证深度网络的性能。同时将该模块与融合了对抗训练和对抗Dropout的方法进行结合,确保模型在强鲁棒性的前提下提升情感分类性能。在IMDB、ELEC和MR数据集的实验结果表明,本文方法有效提高了模型的鲁棒性和分类性能。