文本情感分析是自然语言处理领域的一个重要任务,它是一种以提炼文本情感内容为目的的文本分类。根据分析粒度的不同,文本情感分析可以分为对整篇文章的情感分析、对某段话的情感分析和对某段话中各个方面的情感分析,其中,对某段话中各个方面进行情感分析是一种细粒度的情感分析。目前,针对整篇文章或整个句子进行情感分析的研究技术已经比较成熟,并取得了较好的效果。但是,对文本进行整体情感分析会掩盖文本中不同方面的不同情感倾向,而且文本的整体情感并不能反映人们对意见目标的细粒度的情感表达。如果只关注一句话或一篇文章的整体情感,而忽略具体细节,可能会在实际应用中得出有误的结果。对于评论文本来说,同一个文本在不同的方面的情感倾向可能是不同的,有时候往往需要考虑评论文本中某个方面的情感。本文主要研究评论文本的情感分析问题,实现评论文本在细粒度上的情感分析。评论文本的细粒度情感分析存在计算复杂度高、预测准确度不佳等问题,针对这些问题,本文提出一种融合字向量表征和注意力机制的情感分析模型,用于评论文本的情感倾向性分析。本文的主要工作内容如下:首先,本文改进了情感分析的神经网络模型,优化了对评论文本进行细粒度情感分析的方法。为了更好地获取输入文本的情感信息,本文提出了一种融合Word2vec和Fast Text的字向量表征。在融合Word2vec和Fast Text的字向量的基础上,使用基于门控循环单元、卷积神经网络以及最大池化与平均池化的注意力机制的神经网络模型,提取深层次的文本特征,实现评论文本细致极性的情感分类。通过实验的方式将本文改进后的情感分析算法应用到AI Challenger 2018细粒度用户评论情感分析的数据集上,使用其他常用的情感分析算法与本文改进后的算法进行了对比与分析,验证了本文所提出的改进方法的实际效果,可以得出本文所做的改进是有意义的。其次,在算法改进的基础上,本文设计并实现了评论文本的情感分析系统,将改进后的算法应用到了实际系统中。该系统能够判断评论文本在指定方面的情感倾向,按照不同的方面筛选评论文本,并直观地展示出来,从而使用户更加快捷地获取文本的情感信息。