随着移动互联网的普及,互联网浏览人数逐年快速增加,视频网站和相关应用快速崛起,用户创生内容（User Generated Content,UGC）视频呈爆发式增长。随着视频浏览人数的增多,每个视频都会产生大量评论数据,通过分析这些数据,可以指导视频创作者更好地创作视频内容,同时也可以指导平台提供更好的服务,还可以探究数据背后的文化现象,从而为相关文化政策的制定提供指导意见。情感分析作为自然语言处理领域的基本任务之一,同时也是大数据分析和人工智能等领域的关键技术,通过情感分析挖掘数据中的情感倾向,可以对数据分析提供重要的参考信息。现有的中文情感分析对象一般为微博等社交网络平台,以及淘宝、大众点评等服务类网站,针对视频网站评论数据的情感分析任务则鲜有学者和研究人员关注,其主要原因有:首先,传统视频网站以第三方视频内容为主,平台对于用户在本平台的交流服务支持较少,评论区用户留存率不高,而诸如抖音等新兴短视频平台的评论有字数限制,用户间无法充分的交流与表达情感;其次,视频评论为无标签数据,要对这些数据进行情感分析等监督学习类任务,需要对大量数据进行标注;最后,由于视频内容的特殊性,其用户之间很容易形成亚文化圈,在这些圈子中有其独特的语言表达方式,数据标注者在对此不了解的前提下无法稳定的生产高质量的标注数据,同时这些特殊的语言表达也为情感分析模型的语言理解能力提出了挑战。针对以上问题,本文从数据来源选择、人工情感标注、提出有针对性的情感分析模型三个方面来探索视频网站评论情感分析方法。在数据来源选择上,本文主要考虑了用户数量、用户活跃度、评论区用户留存量以及较少的评论内容限制四个角度选取视频平台。在经过综合考察后选取了 Bilibili（以下简称B站）作为评论数据的来源。通过爬虫技术爬取了一定量的评论数据,之后根据数据的特点制定了完整的数据清洗方案,并根据心理学相关理论对评论数据的情感倾向进行了标注。针对传统情感分析对文本中层次化信息提取能力不足的问题和OOV（Out Of Vocabulary）问题,本文提出了结合了基于字向量输入以及自注意机制（Self Attention,SA）和双向有序神经元长短时记忆（Bidirectional Ordered Neurons-LSTM,Bi-ONLSTM）网络结构的 SA-Bi-ONLSTM算法。该模型利用字向量来应对OOV问题,通过ON-LSTM模型中可以层次化的学习和保留文本中的关键信息,同时结合自注意机制强大的特征提取能力,提高了情感分析模型对Bilibili评论数据的分析精度。实验通过替换模型中各关键结构来设置对比实验模型,同时以经典长短时记忆网络（Long Short Term Memory Network,LSTM）模型为基准对比模型,通过实验以及实验的数据结果证明了以上算法的有效性。为了充分挖掘文本数据的特征,克服单一信息输入粒度带来的语义理解问题,本文提出了混合多粒度输入的自注意-有序神经元（SA-ONLSTM）网络模型。该模型对同一文本数据采用两种粒度的向量化手段,将混合了多种粒度的输入数据作为模型的输入量,再通过multi-head机制增加模型的厚度,使不同层的模型可以关注到文本中不同的特征。以上结构赋予了模型对于全局信息的特征提取能力。在实验中通过替换模型中的关键结构以及微调模型的输入结构来对比以上改进算法在B站评论情感分析任务中性能,实验结果证明了该算法在B站评论数据集上的可行性和有效性。