本文以“基于深度学习的评论文本情感分类”为题展开研究,首先对目前国内外的研究现状和常用算法进行深入的调研,对目前主流的情感分析方法做了简单的介绍和分析。深度学习作为机器学习的一个方向,成为了自然语言处理领域中情感分类的研究热点。本文运用深度学习模型从对中文文本的情感分类问题和跨领域情感分类问题两个方面进行研究。主要研究内容如下:本文使用了一种双向长短期记忆网络(Bi-directional Long Short Term Memory,BiLSTM)和卷积神经网络(Convolutional Neural Networks,CNN)混合的串行网络结构。首先,利用Bi-LSTM模型提取出文本的上下文的文本信息,并在该模型中加入注意力机制解决文本中不同词语贡献度不同的问题。同时针对跨领域任务,使用源领域数据集训练模型并保存模型权重信息,然后使用目标领域的少量数据集对模型进行微调,更新部分权重信息,实现模型的跨领域迁移。最终实验数据表明,基于注意力机制的双向长短期记忆卷积神经网络(BiLSTM-ACNN)模型在处理情感分类任务和跨领域情感分类任务时,可以有效的提高对中文数据集的跨领域情感分类的性能。传统经典的神经网络模型中存在特征维度过高、池化层特征信息的损失而导致了对情感词汇的细节丢失等问题。本文借鉴胶囊网络在特征提取方面的独特优势,运用基于卷积神经网络的胶囊网络模型对文本情感分类任务进行研究。该模型采用了多种卷积核提取文本特征生成多个特征映射丰富第一层的表述。然后连接有动态路由机制的胶囊网络,胶囊网络胶囊内的神经元活动可以表示文本中词语的属性信息,还能提取文本的结构信息。实验结果表明,深度学习模型可以从原始的数据中提取特征,胶囊网络的动态路由机制可以更好地获得文本特征能力,在情感分类任务中有着较好的表现。