自然语言处理是计算机科学与语言学的交叉学科,主要研究的是计算机怎么处理和分析自然语言。情感分析(Sentiment Analysis,SA)是一个知识领域,它涉及人们对特定实体的意见、情绪、评估和态度。情感值的表示可以是离散的类别,如正面、负面、中性,也可以是连续的情感强度。情感分析主要是从数据集(推特、微博、贴吧论坛、电商网站的评论等)中提取评论者的主观情感信息,这对分析社交媒体和预测网络平台上的公众观点有很重要的意义,同时有利于商家或者媒体把握用户的喜好。随着深度学习研究的深入,在自然语言处理领域,尤其是情感分析这个研究方向出现了很多新的成果。本文对现有的情感分析技术和模型进行分析和研究,把单词的词典表征和向量表征相结合同时借助深度学习模型对所提出的技术进行实验论证。本文主要有三个方面的工作:1.首先对文本进行预处理,考虑到推特的社交性,需要处理表情符号、哈希标签、单词缩写、网址和标点符号等。同时还对停用词进行处理,并将所有单词转化为小写。2.然后用词嵌入将输入转化成深度学习模型能处理的二维矩阵,每条推特数据都是由相应的字向量在数据中叠加的二维数组。在拥有注释词典的基础上,对单词的表征进行扩展,使得每个单词不仅仅是原有词向量的维度还包括扩充后的维度,扩充之后的词向量比之前的词向量对词的表示更加丰富完整。3.有了前面的工作作为基础,接下来就是利用深度学习模型对数据进行训练和学习,论文主要用到的模型有卷积神经网络(CNN),长短期记忆人工神经网络(LSTM),双向长短期记忆人工神经网络(BiLSTM),然后再结合集成学习(Ensemble Learning)的方法对模型进行融合,实验结果表明论文提出的方法在三个不同任务上效果明显优于其他方法。