随着各大电商平台的兴起,人们倾向网购并对商品做出评价,成为流行趋势,评论数据量每天数以亿计的增长。这些看似毫无规则或关联性不大的评论,当数据达到一定程度,细分到某个行业或某类商品时,分析这些数据就能看出人们对某个行业或者某类商品的一种普遍看法,对分析、研发商品、预测销售前景具有非常重要的价值,因此文本情感分析近些年变得流行。最初的文本情感分析算法是基于机器学习的算法,但是随着数据量的增大,机器学习的算法无法适应快速处理数据的需求,适合大数据分析预测的神经网络模型开始在自然语言处理(NLP)领域广泛应用。CNN最先用来做文本情感分类,CNN不能学习上下文信息的特征使RNN开始应用在文本情感分类中,RNN梯度弥散的问题使得长短时记忆神经(LSTM)、循环门控神经网络(GRU)、双向长短时记忆神经(BiLSTM)、双向门控循环神经网络(BiGRU)等变体开始流行。后来,注意力(Attention)机制被证明了突出局部信息的有效性;研究人员开始尝试把神经网络模型和注意力机制进行模型混搭,实验结果证明了这种混搭模型的有效性。针对当前模型没有考虑评论可能存在的拼写错误、词向量长短不一且应用较多的BiLSTM训练时间过长、不能充分提取文本信息的问题,本文提出了一种基于BiGRU-Attention的文本情感分析模型,在预处理前导入textblob包修正可能存在的拼写错误,在输入层用pad_sequences填充为固定长度、利用双向门控循环网络(BiGRU)提取信息,利用注意力(Attention)机制突出词向量重点信息。BiGRU-Attention模型采用六层结构,把文本词向量经输入层、进入神经网络(BiGRU)层提取特征,放入注意力(Attention)机制突出词向量的重点信息,放入Dropout层防止过拟合,经过全连接层,最后放入softmax层进行文本情感分类。BiGRUAttention模型在四种数据集上进行多组对比实验,验证了BiGRU-Attention模型有效性。该论文有图33幅,表14个,参考文献52篇。