随着互联网的迅猛发展,智能客服和社交平台上产生和积累了大量的用户对话文本信息,通过有效的分析和处理这些对话文本,企业和商家可以为用户提供更优质的服务,具有极大的商业和学术价值。目前有关对话文本的研究工作相对较少并且具有较多难点。本文通过分析对话文本的文本特点,设计适用于对话文本的文本预处理流程,并详细介绍了文本预处理中各个阶段的方法,以及文本经过该阶段处理前后的变化,另外,本文也分析情感多分类中常见的评价指标,选择适用于对话文本情感多分类的评价指标。在模型的词嵌入层中,通过融合单词的两种或多种不同的词嵌入表示的方式,让模型获得单词不同方面的表征信息。在模型的句子编码层中,使用循环神经网络对句子中的单词进行编码,并将得到的结果与句子的DeepMoji非线性编码进行拼接,作为句子的最终编码。在模型的对话编码层中,通过对比分析两种不同对话文本的输入方式的实验结果,最终选择三个句子分开输入到模型的方式,并基于循环神经网络,构建对话文本的情感表示,最后通过注意力机制预测对话文本的情感极性。本课题提出了基于循环神经网络的层次化情感分类模型(Hierarchical LSTM Sentiment Analysis With DeepMoj i)。该模型不仅考虑对话文本中的语义,语法信息和表情符号编码信息,而且引入句子表情符号编码以及对话上下文信息。通过将计算机视觉中的Focal Loss应用于对话文本情感分类中,有效的减少训练过程中样本不均衡问题。本课题基于Flask+python框架,并设计数据库资源管理和用户管理机制,添加有注意力可视化模块、表情符号抽取和句子情感符号编码模块,最终搭建了一个完整的系统。