随着网络的盛行与网络技术的发展,用户可在网络中发表自己对事物的观点,这些观点中含有用户想要表达的情感因素。这些含有明显情感的评论可以直接反映用户或网民对该事物的看法,随着大数据技术的进步以及硬件设施的提高,各个平台都会建立自己的评论板块,这使得网络平台上的信息文本数据量呈现急剧增长得趋势,如何更高效的得到文本中的有效信息,并且更加准确地发掘评论中的情感因素已成为当前工业界和学术界的迫切要求。情感分析又称为意见挖掘、主观因素挖掘等,通过计算机处理大量网络评论,对具有情感因素的文本进行分析的过程,该研究可以有效的通过评论等信息掌握大众对一些事物的舆论倾向。本文主要研究内容如下:(1)针对于传统情感分类模型的分类效果不足以及无法准确的捕捉词语之间关系的问题,本文提出一种基于预训练语言模型词向量融合的GE-Bi LSTM(Glove-ELMO-Bi LSTM)情感分析算法,先通过预训练语言模型ELMO以语言模型为目的训练词向量,再与传统的Glove模型的训练结果进行运算融合,结合了全局信息以及局部上下文信息,增加了词向量矩阵的稠密度,词语之间的特征得到更好的表达,结合Bi LSTM神经网络可以更好地捕捉上下文信息的关系。经过实验结果证明:GE-Bi LSTM情感分析算法可以生成高质量词向量,在数据集上测试,准确率比传统模型提高2.3%,F1值提升了0.17。(2)针对于传统深度学习情感分析模型无法准确的捕捉语义之间关系的问题,本文提出一种基于自注意力机制的SABG(Self-Attention-Bi GRU)结构,该结构通过使用Self-Attention作为主要训练层,获取关键词信息,通过多位置的attention计算关键词权重,并最终进行拼接,输出的权重矩阵作为新输入,通过多层Bi GRU(双向Gated Recurrent Unit)所构建的残差网络,最终进行情感分类任务。该结构可有效防止梯度弥散,经实验证明,效果优于传统情感分类模型,准确率比传统模型提高1.4%。