1、文本情感分類在輿情分析、電子商務(wù)、信息攔截、金融投資等領(lǐng)域有著廣泛的應(yīng)用?；谔卣鞴こ痰膫鹘y(tǒng)文本情感分類方法費時費力，且泛化能力差，深度學(xué)習(xí)算法克服了人工設(shè)計選擇特征的缺陷，可以自動學(xué)習(xí)并描述文本的特征，在文本情感分類領(lǐng)域表現(xiàn)突出。目前文本表示常采用word2vec工具，但該工具訓(xùn)練出的分布式詞向量僅僅包含詞的語義信息，而忽略詞的情感信息和詞性信息。與此同時，很多文本特征提取的研究僅僅圍繞著詞進行，而忽略了文本的結(jié)構(gòu)信息。
　　本

2、研究基于上述不足，做了如下工作:
　　1.對文本情感特征表示方法進行改進，本研究提出兩個模型:W-P詞的情感特征表示模型和融合情感特征的文本表達模型。W-P詞的情感特征表示模型利用word2vec訓(xùn)練包含語義信息的分布式詞向量，同時利用情感詞典和結(jié)巴分詞工具抽象化表示詞的情感信息和詞性信息，并將兩者連接起來形成包含詞的語義信息、情感信息及詞性信息的詞向量。融合情感特征的文本表達模型是基于W-P詞的情感特征表示模型，通過引入Bi-L

3、STM網(wǎng)絡(luò)學(xué)習(xí)詞的上下文信息，訓(xùn)練出融合詞的上下文信息、語義信息、情感信息及詞性信息的詞向量，該詞向量可以很好的表達詞的信息。通過文本情感分類實驗，驗證了上述兩個模型的有效性。
　　2.在改進1的基礎(chǔ)上，對文本情感特征提取方法進行改進，本研究提出序列結(jié)構(gòu)化的文本特征提取模型。該模型通過融合情感特征的文本表達模型學(xué)習(xí)詞序列信息，利用CNN網(wǎng)絡(luò)提取文本的結(jié)構(gòu)信息，同時在中間加入注意力機制，達到有選擇性的去冗余的目的，從而實現(xiàn)多層次提取