随着互联网行业的发展,电商评论和社交平台的推广,积累了大量的文本数据。通过提取这些文本信息中蕴含的观点和情感,能够帮助人们做一些决策和推广。文本情感分析已经成为自然语言处理领域中国内外研究的热点方向。传统的文本情感分析模型需要在人工标注的特征工程基础上,并结合语法规则才能取得不错的效果。随着深度学习模型在处理文本序列上的发展,在没有人工标注的特征工程前提下,引入注意力机制,关注文本信息中关键部分,在文本情感分析任务中有着优异的表现。本文主要是以文本情感极性分类和不同主题文本情感分类为研究出发点,构建了正反向序列AT-LSTM模型和融合主题特征的深层注意力的LSTM模型(deeper attention LSTM with aspect embedding,AE-DATT-LSTM)来处理文本情感分析任务。针对文本情感极性分类研究,首先在LSTM网络的模型基础上,为了关注文本中的关键信息,引入注意力机制,构建AT-LSTM模型,采用预训练好的Glove词向量,同时将文本的正反向序列采用注意力机制进行分析,然后进行特征融合和分类处理,构建了正反向序列的AT-LSTM模型。在SemEval-2017 Task4数据集上的实验结果表明,该方法在文本情感极性分类任务中,正反向序列模型提高了文本情感极性分类的准确率。针对不同主题文本情感极性分类研究,构建了融合主题特征的深层注意力的LSTM模型,将主题词向量和文本词向量通过双向LSTM进行训练,对于得到的主题特征和文本特征进行特征融合处理,将得到的特征向量经过深层注意力机制的处理,由分类器得到相应主题的情感分类结果。在SemEval-2014 Task4和SemEval-2017Task4数据集上的实验结果表明,该方法在特定主题情感分析任务中,较之前基于注意力的情感分析模型在准确率和稳定性上有了进一步的提高。对于特定主题情感极性分类任务,通过引入主题特征和深层注意力机制能够使得情感分析模型学习到更多有价值的信息,为舆情分析、文本推理等领域提供了方法的支持。