随着互联网信息技术的飞速发展,社交网站和电子商务等平台给人民带来了极大便利,同时网络用户可以随时随地的在这些平台上进行评论文本信息的发布、分享与更新。这些非结构化的文本具有情感极性,获取这些文本中的情感极性可用于产品评论,公众意见分析等任务。依靠人工对这些海量文本信息进行处理是不现实,所以要借助计算机快速、准确的获取文本情感极性。神经网络在近些年获得了突飞猛进的发展,通过非线性的分层的网络结构来逼近复杂函数的表示,进而学习到研究对象的深层次的特征。因此基于神经网络的深度学习方法是当前文本情感分析的主要研究方向。本文主要利用神经网络来学习文本深层次的语义特征,通过改进循环神经网络模型将提取到的文本特征用于情感分析。本文的主要工作如下:(1)循环神经网络中的树状长短期记忆模型(Tree-LSTM)是将树结构递归神经网络应用到LSTM上。该模型在计算节点的情感极性时是基于其向量表示,未利用子节点的情感信息。针对这个问题,本文提出了一种并行递归树状长短期记忆模型(PRT-LSTM),它将树状递归神经网络与Tree-LSTM相结合,子节点情感信息通过树状递归神经网络传播到全局参与情感极性计算。通过这种方式,可以更加充分地利用节点的情感信息。将PRT-LSTM在斯坦福情感数据集上进行五分类和二分类实验。实验结果表明,该模型的性能优于Tree-LSTM。(2)本文基于卷积神经网络(CNN)和门限循环网络(GRU)提出了一个混合网络模型Att-CGRU。其中对CNN改进后得到Att-CNN:利用注意力机制(Attention)来组合输入层的词向量,解决了单词间长距离相关性问题。Att-CNN用于文本更深层次的特征提取,GRU用来学习单词间的语义相关性信息。本文设计了混合网络模型在情感分类中实验。实验证明该模型在训练之后较单一神经网络模型性能更加出色。本文还设计了应用不同卷积核来检验模型准确率的实验。实验结果表明应用卷积核长度为3的单个卷积层的模型,情感分类效果是最好的。