在跨国际文化交流方面,电影是一个国家文化软实力的重要体现,也是最直接、最有利的传播途径。伴随着中国电影市场的扩容与发展,国产电影作为我国文化和思想观念的反映与延伸,在增强文化自信、文化输出方面都扮演着极其重要的角色。经过移动互联网技术的深度介入,现代电影产业如猫眼电影、淘票票等互联网+泛娱乐服务平台已形成线上购票、线下观影、线上评价反馈的模式。其评价内容充分反映了观影群体的态度观点,对票房走向、文化的进一步传播都起着决定性作用。为了更好地把握观众的情感倾向,了解观影需求,提出国产电影制作建议,对电影评论进行情感分析和深层次语义挖掘十分有必要。由于对电影作品的评价考量了众多因素,具有复杂性和多变性,因而在情感分析过程中模型的选择十分关键。以深度神经网络为代表的深度学习模型对句子噪声的容忍度较高,具有强大的信息判别和特征自学能力,在情感分类任务中具有较大地优势。综上,针对国产电影评论,本文提出了一种新型数据集标注与划分方法,并将BiLSTM与CNN进行融合,利用CNN在提取目标结构特征和BiLSTM在提取远距离语义依赖关系的优势,构建出BiLSTM-CNN串行混合模型,为后续基于分类结果的特征可视化、主题提取和探究变量间关系提供更为可靠的支撑。以基于Python爬虫技术从猫眼网获取的40余万条国产电影相关数据为例,开展具体的研究工作,主要包括以下几个方面:第一,提出通过高分段评论和低分段评论分别构建评论数据的情感正负标签,筛选中间分数段作为候选预测数据集的数据划分方法。经过在长、短文本上的实验对比,发现本文方法相对于从中值对数据集进行正负情感切割的准确率、召回率和F值均有提升。第二,采用BiLSTM-CNN串行混合模型来捕获更为完整的上下文信息与局部语义信息,相比于单一模型具有更好的效果。在具体实验中,首先构建了TextCNN、BiLSTM和BiLSTM-CNN三个模型,然后借助Pytorch框架根据文本内容长度的不同、词向量初始化方式的不同进行对比试验,并从准确率、召回率和F值三类评价指标出发进行了分析。实验结果表明基于Word2Vec预训练词向量的BiLSTM-CNN模型具有较高的精度。将其他电影的文本评论进行输入测试,展示了其在电影评论文本中的可扩展性,具有较大的使用价值。第三,利用Word2Vec+BiLSTM-CNN模型对中间分数段的评论数据进行情感分类,将结果与原始标注数据合并后进行特征可视化分析并构建LDA主题模型,提取出潜在主题,探究评论的聚焦点,再综合分析两部电影不同市场反响度的原因。同时利用Logistic回归模型探究外在因素(如城市人均可支配收入和评价用户等级)对情感分类的影响。最后,从个人、电影制作企业和国家层面提出改进和建议,为创作出更多思想精深、品质精良的国产电影提供参考,以协助中国电影讲好中国故事。