随着近年来信息技术的飞速发展,海量包含各类观点与情感的文本分布于各个社交平台,对这类文本进行情感分析研究显得极为重要。在不同语言中,藏文情感分析研究相较于汉文、英文仍处于初步发展阶段。藏文情感分析相关研究成果较少,研究者采用的研究方法相对滞后,因此推动藏文情感分析研究的发展刻不容缓。藏文情感分析研究由于缺乏公开且被广泛认可的数据集受到很大限制,并且目前藏文情感分析研究方法大多基于机器学习和较为单一的深度学习模型,因此本文针对这部分问题进行了相关研究。本文借鉴了汉、英文情感分析研究的相关成果,利用目前自然语言处理领域中如火如荼的深度学习方法对藏文情感分析进行研究。本文针对基于深度学习方法的藏文情感分析研究开展了四个方面的主要工作,具体如下:1.针对目前藏文情感分析领域缺乏公开数据集的问题,构建了一个藏文情感分析数据集并已公开在Github平台供相关研究者使用。构建藏文情感分析数据集的方式是从两个公开的中文情感分析数据集weibo＿senti＿100k和Chn Senti Corp中摘选出包含两类情感极性的10000条句子,然后由团队相关专业的成员采用成熟的汉藏机器翻译工具结合人工对原数据集进行翻译和校对,最后构建完成一个用于情感分析的藏文数据集。2.针对藏文情感分析方法多基于单一的深度学习模型,各个模型存在着不同的优缺点,因此本文提出了一种基于混合神经网络模型——AL-TCBAT应用于藏文情感分析。该模型利用ALBERT预训练模型生成词向量,在同方向上首先通过Text CNN模型对藏文文本序列特征进行局部提取,获得相对重要的文本信息,然后通过双向Bi LSTM层对经过Text CNN模型的提取特征再次进行特征构建,提取其中更深层次的信息,最后融入注意力机制,使得网络更加关注众多特征中权重较大的部分。实验结果表明,该模型可以提高分类模型的准确率。3.针对单一通道混合神经网络会随着网络层数的增加造成特征较为严重丢失等问题,本文提出了一个多通道混合神经网络模型——AL-DCBAT。首先通过ALBERT预训练模型生成的词向量分别输入到Text CNN以及Bi GRU网络中进行特征提取,为进一步提高Bi GRU部分对关键情感特征的提取能力,在Bi GRU模型后引入Attention机制,其次将两部分的output进行融合后输入至归一化层得到最终的情感分类。实验结果证明,该模型可以在减少横向网络深度的基础上提高模型的分类准确率。4.针对传统深度学习模型对序列文本特征提取能力有限以及普遍采用增加模型深度以提高最终分类效果的问题,本文提出了基于图神经网络方法的ALSGraph SAGE模型应用于藏文情感分析。首先,模型通过ALBERT预训练模型进行训练,得到初步句子特征向量。其次,为进一步提高特征向量的质量,提出融合情感词特征的方法,将数据集中的每条藏文句子进行情感词提取并且通过Embedding随机初始化其特征,之后将初步句子特征与情感词特征进行融合作为最终句子特征。然后,在图构建方面将藏文句子与标签构建为文本-标签图,完成图数据的构建。最后将图数据输入Graph SAGE图神经网络模型进行特征学习并且得到最终情感分析的结果。实验证明,本文提出的ALSGraph SAGE模型取得了较好的类准确率。