随着互联网规模的迅速发展,对海量的文本数据的有效处理已经成为当今社会亟待解决的任务,文本分类、情感分析等自然语言处理任务应运而生。本文致力于更有效地使用深度学习模型处理情感分析问题,通过对现有的经典神经网络模型进行改进,使其能够在情感分析问题上取得更好的效果。1.针对LSTM-CNN网络模型接收句子输入训练时间长、处理较长文本时效率低下问题,提出了一种基于跳转的LSTM-CNN模型。首先,新的模型在读取文本序列时进行跳转判断,即在每一步中,利用两层感知机从前向序列、后向序列和当前单词中提取信息,确定是否跳过当前单词。然后,利用长短时记忆网络(Long Short-Term Memory,LSTM)分析跳转后的序列语义以及提取其特征,在卷积神经网络(Convolutional Neural Networks,CNN)模型中进一步提取局部特征。最后,合并到较小的维度,并通过softmax分类器以正或负标签输出。相比LSTM-CNN的模型,实验结果验证了改进后的模型能够有效地提高分类效率和准确率。2.将LSTM网络和注意力机制相结合的方法能够有效地提取方面级情感分析的文本特征,但仅仅依赖注意力机制很难捕获方面信息中深层次的情感特征信息。为了更好的解决该问题,本文提出了一种基于多注意力LSTM网络模型。新的模型首先使用注意力机制对方面信息提取重要特征;再利用注意力机制处理提取后的方面信息和上下文信息,得到加权后的特征向量;最后,将方面信息和词向量联合作为LSTM网络的输入。通过对比和分析实验可以得知,所提出的模型能够有效地提高情感分析结果。本文采用Twitter数据集和Sem Eval数据集进行实验,实验结果表明跳转LSTM-CNN模型和多注意力LSTM网络模型能够有效地提高情感分析的准确率。