微博是中国互联网最活跃的社交平台之一。对微博评论进行情感分类，对舆论控制、商业决策和反恐领域都具有重大意义。目前针对微博评论情感分类研究具有较多难点，存在文本口语化严重、同音错别字高频出现及新型网络语言层出不穷等问题，而因传统词向量缺乏对情感信息表征而导致的模型难以准确学习到文本情感信息的问题也亟待需要解决。
　　针对目前情感词典主要基于规范语言而忽略了网络语言等不规范语言的现象，统计整理出了常见网络语言列表，并利用开源的情感词典以及微博评论文本，构建网络语言情感词典，提高网络语言分词准确率的同时，充分利用其中包含的情感信息。
　　针对传统词向量对情感信息缺失的现象，借鉴心理学的普鲁契克情绪轮盘理论构建情感向量，提出了一种多情感词向量调整算法。该算法通过情感向量从多情感角度调整预训练好的词向量，在增强情感表征的同时避免语义信息的损失。实验证明，情感增强后的词向量能有效提升多个模型情感分类性能。
　　针对微博文本特点以及现有模型特征提取相对单一的问题，利用卷积神经网络和循环神经网络的特性在词语、词性以及拼音三个层次进行特征提取，构建了多通道Bi-LSTM-CNN(Bi-directional Long Short Term Memory-Convolutional Neural Networks)联合情感多分类模型，并在注意力机制中引入词性以及情感向量，构建了word-POS-senti(word-Part-Of-Speech-sentiment)注意力机制。实验证明，该分类模型相比其他模型具有更好的综合性能，同时word-POS-senti注意力机制能有效提升模型的收敛速度和分类性能。