随着科学技术发展，社会舆情的主要散播途径，已经逐渐从传统的线下平台转向了互联网平台，互联网已经逐渐成为了人们发表评论，抒怀胸臆的主要场所。因此，针对性的获取热点事件网络舆论，分析舆情走势，是极富有理论研究意义与实践意义的。深度学习技术作为当下最热门的机器学习技术，在多个应用领域内取得了突出的成果，尤其在自然语言处理相关的研究工作中，基于深度学习设计出的模型已经可以在一些评估项目中胜过人类。本次研究将尝试使用深度学习技术对网络舆论进行分析与预测，力图提高舆论分析工作效率，提升舆情走势的预测准确率。
　　网络舆论分析与预测工作内容主要分为两部分，首先需要将舆论按其情感正负倾向进行分类，从而完成舆情的分析工作；然后需要根据历史时间节点舆论正负情感的比例，对未来舆论情感变化进行预测。网络舆论通常以序列型的文本呈现，对时序与上下文的相关性依赖程度较高，因此在本次研究工作中，使用基于循环神经网络的相关模型进行研究与分析，具体工作如下：
　　提出了一种基于长短期记忆网络(LSTM)的改进结构快速长短期神经记忆网络(RLSTM)用以提高分类模型的训练效率，结合该结构设计了4种文本情感分类模型，并对每种模型的训练与使用过程进行详细的设计。同时设计了基于门控循环单元网络(GRU)的舆论走势预测模型，并通过多个分类维度，结合虎扑论坛的特点，评估该模型实际效果。最后设计了完整的舆论分析与预测服务架构，实现了高效准确获取舆论数据的爬虫模块，构建了自动化的数据预处理组件，并通过数据可视化工具，将相关话题的舆论走势进行展示。
　　结果表明，改进LSTM结构与组合复合型分类模型有效的提高了文本情感分类模型的训练效率与分类准确率，同时舆论倾向走势预测模型也具有较高的可靠性。本文通过将上述两类模型进行组合，成功构建了一套完整的舆论分析与预测服务平台，完成了针对虎扑论坛热点事件舆论的分析与预测工作。