在如今的线上购物网站、在线社区和社交媒体中,文本评论已经成为研究人员研究用户行为和理解各种现象的最重要的数据源。在电商网站上购物多样性的兴起,使得人们每天都能在网上购买自己需要的商品,同时也可以随时表达自己对某件商品的感受和意见。文本评论的情感分析引起了政治学、市场营销、传播、社会科学和心理学等领域的研究人员的关注。分析评论文本的情感倾向,在线上购物网站和社交媒体上研究用户行为是一个重要的研究方向。多年来,研究人员一直在用文本评论研究用户如何看待不同商品的态度,在不同类型的线上购物网站上对一些产品的评论进行深度的情感分析。从评论文本的角度上,可以通过对感兴趣的主题进行情感分析,也可以对感兴趣的商品分析帖子或微博等文本进行情感分析。而在良莠不齐的评论中分离出高质量的评论对其进行情感分析具有很大的意义。与传统的机器学习文本情感分析方法相比,虽然深度神经网络最近显示出显著的改进,但是深度神经网络模型的性能取决于其模型设计的特性,很难对一项特定任务的每个必要的信息进行编码,在一些网络层可能会丢失一些重要的信息。而且全面提取文本的特征还不能太令人满意,使得文本情感分类的准确率仍然有提高的空间。所以针对商品评论的特点,如何更全面的进行文本向量表示,改善文本表示特征的质量,这对提高文本情感分类的准确率是非常重要的。针对以上提出的问题,本文在深度学习技术的基础上,通过使用深层次的分层概念,在简单概念之上构建复杂概念,直接从原始数据中进行比较学习。主要研究内容如下:（1）评论文本的表示形式会对文本的情感分析造成很大的影响,为提高评论文本表示的质量,本文提出了融合CNN（Convolutional Neural Network）和Bi GRU（Bidirectional Gating Recurrent Unit）的文本评论情感分析模型。首先,传统卷积神经网络不仅会忽略词的上下文语义信息,而且最大池化处理时会丢失大量特征信息,所以使用RNN（Recurrent Neural Network）来提取句子的上下文语义信息。但是传统的RNN会导致信息记忆丢失和梯度弥散,同时使用RNN的变体BiGRU和CNN可以很好的解决该问题。在CNN中,使用多个不一样的卷积核和最大池化操作,用来提取更丰富且最显著的局部文本特征。（2）开源数据集虽然已经进行了正确的极性标注,但是其评论文本存在很多冗余、无意义的信息,本文在已有的两个不同数据集CHR和CPR的之中,再次重构了文本评论数据。在融合CNN和RNN变体Bi GRU的模型的基础上,引入一个合适的注意力机制。首先,利用Word2vec得到句子的文本向量,将得到的句子向量一部分输入到卷积神经网络,另一部分输入到双向门控循环单元网络中。经过这两种模型处理之后,把各自处理过后的向量拼接起来。最后,为了提高句子中最主要一些词的作用,使用注意力机制排除一些很少相关或不相关词的影响。（3）现有的深层神经网络的情感分析模型都必须使用大量参数,需要使用复杂的拟合学习模式,引入比较增强学习机制,将情感分析任务重新定义为一个比较问题,避免了使用太复杂的拟合学习模式,而通过将文本向量与标记样本进行比较计算来获得相似得分。本文提出的模型与以往一般的深度学习模型相比较,在准确率上取得了较好的效果。