文本情感分类是指通过挖掘和分析文本中的观点、看法、情绪等主观信息,对文本的情感倾向做出类别判断。各领域评论信息呈阶梯式增长,为企业、用户参考评论信息对未来选择做出更加合理的判断提供依据。本文针对电商评论型文本进行文本情感分类研究。主要从三方面入手,一是基于情感知识的情感倾向性判定;二是结合情感知识与机器学习算法构造最优情感分类器;三是基于深度学习网络模型的情感分类研究。首先,针对长评论型文本的情感倾向性问题,提出了一种新的基于位置权重参数调优及句式情感计算规则的方法。该方法将文本分解为一组子句,即将其划分为不同的部分并分配相应的位置权重参数,以情感词汇为基础计算情感得分,由实验得出最佳权重参数。接下来对文本中的长句采用新的情感计算规则,根据句式的不同归纳总结出四类关联词,并分配相应的分数,将权重调优实验所得最佳位置权重参数与句式规则算法相结合,总结出情感计算公式,依次判定各评论文本所得情感分数。实验表明,该方法要优于同类算法的准确率。然后采用机器学习算法与情感知识结合,构造最优情感分类器。在特征提取时,使用所有词和信息量大的双词搭配一起作为特征,使用卡方统计的方法,经过测试找到最优阈值。使用scikit-learn进行分类任务,将得到的特征词组作为独立属性输入到各分类器中。同时将基于情感知识算法所得评论数据的情感得分作为特征经归一化后融合到构建好的各分类器的特征矩阵中,经训练得出最优情感分类器并存储起来。最后,在增大数据集的基础上,使用深度学习算法进行情感分类任务。在预处理过程中,本文构造了One-hot MLSTM、Character MLSTM和Word MLSTM三套框架,测试one-hot、字向量和词向量三种预处理方式对模型分类的有利性,验证在深度学习情感分类中分词存在的必要性。由实验结果可知,字向量的分类准确率更高。并构建了MLSTM+Self-Attention的网络模型,即多层长短时记忆网络和自注意力机制的模型。用Keras构造和训练一个多层LSTM模型,然后在特征向量中加入自注意力机制,对权重系数大的信息给与关注。同时与其他网络模型做多组对比实验,结果表明该模型较稳定,情感分类准确率最优。