互联网打开了用户信息交互的大门，在这些交互信息中隐藏着大量的交互信息：网购平台上用户对于物品的评价；用户在体育论坛上对比赛中各个球员的表现分析；求职软件中，用户对于面试公司以及离职公司的评价等等。这些数据中都隐含着数量极大的情感信息，而如何挖掘这些情感信息，充分利用到衣食住行成为当前的热门话题。传统机器学习算法在互联网初期时，已经能够较好地挖掘情感信息，但随着数据量与需求的不断增加，情感信息的挖掘逐渐面临挑战。深度学习也逐渐成为学者解决这一问题的突破口。
　　词向量作为深度学习文本分类任务上的基础输入，在学术界一直备受关注。目前的词向量虽然能够使用稠密表达的方式来将词语的语义映射到语义空间中，并且拥有一些推理形式的表达，但是仍然存在大量问题，如一词多义等。本文针对一词多义问题，提出了一种基于上下文特征融合的词向量表示方法，使用背景信息结合聚类方法，一定程度上克服了词向量的在多义词上难以表达的缺点。为了证明上下文特征融合的多义词表示方法的对词向量表达能力的提升，本文在多项任务和数据集上做了对比实验，取得了不错的效果。
　　分类器作为文本分类的核心，对文本分类效果是否显著起着决定性作用。在工业界和一些算法竞赛中，为了提高分类器的分类效果，往往对分类器采用集成融合的方式。然而传统的集成学习往往是结果导向，采用静态参数机制，无法理解分类器特点与样本独特性。因此，本文为了解决这个问题，提出了基于注意力机制的动态集成模型。本文认为，不同的分类器对于不同特征子空间的数据预测结果的置信度不同，因此，各个分类器的权重也是应该动态变化的。也就是说不同于传统的投票等固定加权的集成方法，本文使用神经网络得到语义向量，同时结合注意力机制，动态地分配各个初级分类器的权重，从而得到最后的预测结果。为了验证此方法的有效性，本文在多个数据集上与TextCNN、RNN、HN、HAN上做了对比实验，验证了方法的有效性。