随着互联网的快速发展,各类网络评论日益激增,对这些评论文本进行情感方面的挖掘分析,能够为个人消费决策、商家营销策略规划、政府舆情检测等方面提供帮助。本文在总结现有情感分析相关研究和技术的基础上,利用深度学习技术挖掘出隐含在上下文信息的深度语义特征,以此来对评论文本进行情感分析研究,主要工作内容如下:(1)针对传统特征提取方法及词向量使用方面的不足,结合双向循环神经网络能更好表达上下文信息和卷积神经网络对于特征提取的优势,提出了一个联合双向循环神经网络和卷积神经网络(Bidirectional Recurrent Convolutional Neural Network,BR-CNN)的评论文本情感分析方法。首先利用PV-DM模型训练出蕴含丰富语义信息的词向量,接着利用BRNN学习得到词语的上下文信息向量,然后构造CNN模型进行深度语义特征提取。在公开数据集上经对比实验表明,BR-CNN模型具有较好的分类性能及良好的泛化能力,准确率达91.6%。(2)结合注意力机制(Attention Model,AM)能突出每个词的贡献程度和双向长短时记忆网络(Bidirectional Long-Short Term Memory,BLSTM)处理长距离依赖信息的优势,在BR-CNN模型的基础上,加入了AM,并将BRNN替换为性能更好的BLSTM模型,构建了一个新的网络模型AC-BLSTM。首先利用Glove模型训练出蕴含丰富语义信息的词向量,接着通过BLSTM对文本进行第一轮的深度特征挖掘,充分保留上下文语义信息,然后利用AM自动从存储的信息中找到最相关的部分,赋予最大的特征权重,最后利用CNN进行二次特征挖掘。在公开数据集上,将AC-BLSTM与BR-CNN进行对比研究,结果表明其准确率提高了2.3%,达93.9%。