随着互联网技术的迅速发展,社交网络以及电子商务逐渐成为了人们生活中不可或缺的应用。人们在使用这些应用的同时,也留下了大量有价值的用户评论数据。这些评论数据不仅可以帮助用户更好的进行决策,还能帮助商家了解商品的优缺点进行改进。情感分析技术能够将用户评论按照其情感倾向进行分类,是有效利用这些评论数据的一种方式。本文主要研究并改进一些情感分析技术。基于词向量的情感分析方法是一种简单有效的方法,但是常用的词向量模型不能区分上下文语境相似,情感极性相反的单词。另一方面,基于词向量的方法通常将词向量平均后作为文档的向量表征,忽略了文档中单词的关系。因此本文利用情感字典和句法分析提供的信息改进了基于词向量的情感分析方法,使得模型能够克服词向量方法的上述两种缺点。文档向量模型能够基于无监督的语料生成文档的向量表征,也常用于情感分析中。文档向量模型基于上下文的预测来学习文档的向量表征,无法利用文档的情感极性来生成更合适的向量表征。本文提出一种有监督的文档向量方法,利用文档的情感极性将相同类别的文档向量聚集到一起,使得生成的文档向量更利于后续的情感极性分类。注意力机制能够让模型有选择的关注重要的内容,在深度学习模型中得到了广泛的应用。在自然语言处理任务中的注意力机制通常关注与对表达语义重要的内容,而在情感分析任务中,情感词以及对应的修饰词对于文档的情感表达也是至关重要的。因此本文提出一种情感注意力机制,使得模型不仅能够关注对于表达语义重要的内容,还能关注到情感词以及对应的修饰词。