移动4G技术的发展及智能手机的普及,世界各地的用户足不出户就可以在互联网上对电影、商品等进行评价。越来越多的研究者使用自然语言处理技术应对每秒都会增加数GB的文本信息,探究其内在的情感倾向并将其成功应用在社会舆情监督、股票投资等方面。以往的情感分析多是基于情感词典的方法和机器学习的方法,然而这些方法都是基于人工构建的规则和人工抽取的特征之上,人力成本高。另外基于one-hot词的向量表示上面临着“纬度高”、“语义无关”的挑战。随着深度学习在自然语言处理领域中崭露头角,很大程度上解决了上述难题。因此,本文主要研究基于深度学习的词向量表示技术和短文本分类相关技术。论文的主要工作如下。(1)针对以往one-hot词向量表示上维度过高、词语语义无关的问题,采用word2vec工具对词向量进行预训练,进行文本表示。采用这种方法一方面很大程度降低了文本形式表达的维度,另一方面还传达了文本的语义信息,为神经网络模型提供更多的语义信息。鉴于分词时情感词提取的准确性可以影响后续词向量的质量,本文利用jieba分词时可以结合自定义词典提高分词的质量,将以往的情感资源进行整合作为自定义情感词典库,这样可以在提高分词的准确率的同时也可以利于情感词的提取。另外为了应对网络文本上含有情感倾向的新词,本文结合word2vec训练模型寻找情感新词,对自定义情感词典库进行扩展。通过训练不同分词下的不同词向量作为卷积神经网络模型的输入,在中文微博数据集上进行实验,分析不同的分类结果,证实本文方法的可行性。(2)传统情感分类方法需消耗大量的人力物力,而深度学习模型中的卷积神经网络可以不需要借助人力而自动提取不同维度的特征,GRU神经网络在结构简单的同时还能够存储远距离的信息,学习上下文的依赖关系。本文结合这两者的优点,设计了混合卷积神经网络和GRU神经网络的情感分类模型。实验证明,深度学习模型相较于传统的机器学习分类模型可以有效提高分类效果,并且本文设计的模型的分类效果要优于循环神经网络和长短记忆时网络模型。