近年来,互联网的发展给了众多用户在网络上发表自己言论的机会,而为个人碎片化倾诉与沟通提供新空间的微博(Weibo.com)在社会各类人群中有着极大的影响力。本文以微博的公开数据为实验依据,针对微博评论文本情感倾向复杂的特点,本文提出了基于深度学习模型的情感分析研究。这一研究课题对于挖掘情感具有重要作用。从文本中挖掘出来的情感信息可以反映发布者当时的情感状态,在个性化推荐、舆情控制、基于社会调查的政策制定等方面蕴含着极大的应用价值。首先,本文选择以微博评论数据进行研究,利用Python语言进行了网络爬取数据,针对微博数据集的不足和可用数据的标注混乱现象,搜集、整理了网络公开可使用的微博评论数据集。同时,针对微博评论的语义表达隐秘的特点,设计了基于隐马尔科夫模型及维特比算法的分词技术。利用综合状态之间的转移概率和前一个状态的概率情况,计算出概率最大的状态转移路径,回溯并记录概率最大路径,找到最可能正确的分词方案。其次,针对传统的词向量化独热编码的的方法存在的数据稀疏性问题,本文提出使用一种词向量文本特征提取工具的改进方法,利用了FastText中Sub-word子词嵌入技术获得更具有语义和语法关系的词向量,以及其表征类别的树形结构,在其输出端使用H-softmax多层分类器方法,同时与传统Word2Vec的跳字模型进行文本特征的提取方法对比,证明了方法的有效性,提升了模型的计算效率和训练速度。最后,本文设计了在模型中引入注意力机制,通过对编码器所有时间步的隐藏状态做加权求和来得到背景变量。能够直观的解释各个句子和词语对分类类别的贡献程度和重要性。将注意力机制连接在LSTM模型和输出层中间,表现了输出目标句子的某个词和输入句子中的每个词的对应关系,使加入注意力机制后模型在微博评论情感分类上的效果得到了提升。