如今，越来越多的人在网上发表言论，文本数据急剧增加，这些文本信息洪流中包含着大量的情感信息。线上对话可以丰富平台内容，但是也存在着危险，如人身攻击、网络骚扰和欺凌等行为。平台提供商为了平台的运营和发展，必须营造在线对话良好氛围。识别不同文本情感等级，从而可以根据文本的情感评分对发表负面言论的用户进行警告，禁言或封号，对发表正向言论的用户进行奖励等。
　　现有的文本情感分析方法主要有基于规则的方法和机器学习方法。基于规则的分析方法过于依赖情感词典，而运用机器学习文本情感分析方法则受限于特征工程的建立。近年来建立深度学习模型进行情感分析，目前大多限制于正负面二分类场景，因此本文立足于利用深度学习方法，研究更细致的情感信息，建立文本情感评分体系。主要工作如下：
　　（1）针对机器学习和传统循环神经网络模型的相关不足，本文采用双向长短期记忆模型，对8个情感特征分别建立Bi-LSTM模型。同通过实验证明，8个情感二分类模型上，Bi-LSTM模型优于RNN，LSTM等其他模型，提高了模型性能。
　　（2）建立情感评分模型，从多维度出发细化了情感的颗粒度。因为在文本情感分析应用场景中，需要更加细化的情感浓度判别。对文本评论的建立评分体系，分值从-4到4，其中评分越高说明正向的积极的情感越强，评分越低消极的情感越强。
　　（3）为了提高模型精准度，对文本数据量进行了扩充。模型学习的过程，文本数据越多，相关的信息量越大，学习和预测也会更加准确。本文试图通过文本的多次机器翻译进行数据量扩充，保证同一种意思有不同的句子表达，丰富数据集信息量。