文本情感分析作为自然语言处理领域相关研究内容之一,从不同粒度判别自然语言中所表达的情感都具有重要研究意义。为此,本文针对现有模型在不同文本情感分析任务中的不足,进行深入研究,具体如下:1.考虑到现有文本情感分析模型仅采用语义词向量,卷积神经网络仅提取文本局部特征等问题以及词向量和卷积神经网络作为句子级别情感分析任务中的关键技术,研究利用语义词向量,情感词向量以及词典词向量表征文本,并通过提取单词上下文信息消除单词歧义。在CNN模型基础上利用LSTM attention,attentive pooling以及attention vector三种注意力机制提取文本全局特征,给出三种attention CNN模型。并进一步通过引入cross-modality consistent regression融合方法以及迁移训练方法提高模型性能。在多个数据集上对给出的模型进行验证,对比结果验证了模型的有效性。2.针对现有模型仅能完成简单句式中实体情感分类问题,研究利用动态忆网络,通过优化其输入模块,问题模块以及记忆模块将该实体级别情感分类任务建模为问答系统。输入模块通过引入单词位置信息以及残差结构以建立更有效的输入表示。为解决实体词过长情况,问题模块设计相应的实体问题,通过GRU进行编码得到实体编码向量替代简单平均实体词向量。记忆模块通过attention based GRU结构和inner attention GRU结构消除原始soft attention结构在每次提取记忆信息时所产生的权重偏置问题。通过记忆更新机制从多跳记忆信息中提取出与实体相关的情感特征。实验结果显示所给出的模型在多个数据集上可以取得较好分类效果,证明模型可以识别复杂句式中实体情感类别。