随着微博、博客和论坛等社交媒体的日益普及,人们在互联网上发布的带有感情色彩的文字信息与日俱增,对这些文字进行分析能够更好地感知使用者的情绪,以获取一定的商业利用价值。因此,如何从文本数据中准确地提取情感信息已成为自然语言处理领域的热门研究之一。通常的做法是采用大量有标记的文本数据训练单一的深度神经网络,然后使用该网络提取文本中的情感特征。然而,这种方式往往忽略了文本中更细粒度的情感特征,这种细微层面的情感特征往往蕴含更多情感信息。为此,本文以注意力机制为基础,结合卷积神经网络（Convolutional Neural Networks,CNN）及门控循环单元（Gated Recurrent Unit,GRU）,对细粒度层面的情感分类工作进行了深入探讨。主要工作如下:（1）在方面级情感分类任务中,现有的大多数基于深度学习的方法可以有效地捕捉文本信息,但也存在诸多挑战。其一,没有充分利用方面词信息,忽略了它在句子中所表达的情感极性,从而造成语义缺失、语义错误的问题。其二,传统的循环神经网络会忽视语境上下文信息和方面词语交互信息,从而导致模型的泛化能力较差。针对以上问题,本文提出了一种基于并行网络和注意力机制混合模型的情感分类方法。一方面,使用文本卷积神经网络（Text Convolutional Neural Networks,Text-CNN）的多个不同尺寸的卷积核,提取具有不同粒度的文本局部特征。另一方面,使用双向门控循环单元（Bidirectional Gated Recurrent Unit,Bi-GRU）对文本间的长期依赖关系建模,提取文本的全局特征。然后,使用注意力机制分别给局部特征和全局特征分配注意力权重,并将局部特征和全局特征进行加权融合得到文本情感特征。最后,将文本情感特征输入1)8)(6中计算并输出文本情感分类结果。并行网络的设计可以双路提取局部特征及全局特征,给不同词语分配不同的关注度,可以有效解决词语多义性的问题。实验结果显示,该方法在SST-2和IMDb两个经典数据集上分别达到了89.01%和92.31%的分类准确率。（2）传统的神经网络模型在处理词向量时,往往忽略了方面词在句子中的位置信息,而导致词向量的权重分配不合理。因此,本文摒弃了传统的神经网络方法,提出了一种多注意力网络（Multi-Attention Networks,MAN）用于情感分类任务。该网络以多头注意力机制为主架构,联合使用层内注意力和层间注意力关注文本中上下文的关系和特定词的重要性,然后使用叠加注意力（Attention-Over-Attention,AOA）计算上下文语境的注意力权重。此外,在处理位置信息时,使用Laplacian概率函数将位置权重添加到词向量中,从而实现目标词和上下文信息之间的交互。最后在Laptop、Restaurant和Twitter数据集上分别达到了86.32%、82.13%和76.55%的分类准确率,实验结果表明,将不同的注意力机制结合起来会取得更好的效果。（3）本文开发了一种针对酒店评论的情感分类系统,该系统使用Python语言开发而成,并采用Sql Server作为数据存储模块,Django作为Web应用框架,Scrapy作为爬虫框架。整个系统既可以实时地对文本数据进行管理又可以对文本所表达的情感极性进行识别,具有界面友好、使用方便等特点,用户可根据自己的需求选择情感分类模型。该系统的开发流程如下:首先,通过爬虫技术获取相关站点的文本数据,将其存储到数据库中;然后,设计数据预处理模块对文本数据进行预处理和分词操作;最后,业务逻辑层进行关键词的提取、属性的还原、情感分类模型的建立和情感极性的预测,即可得到相应文本的情感极性。该系统不仅可以帮助决策者分析问题,还可以帮助用户更好地了解各种产品的实际应用。