随着移动互联网的高速发展与信息技术的不断推陈出新,以及智能设备的普及化,互联网已大面积覆盖人们的学习、工作、生活、出行、娱乐等领域。人们会在不同平台分享自己的观点、表达自己对热点事件的态度、评论商品的质量,通过网络文本表达自己的感受和情感。挖掘文本中用户的潜在情感倾向,对产品调研、市场分析、网络舆情预警等应用有巨大的商业价值和社会意义。文本情感分析方法可分为基于情感词典的方法和基于机器学习的方法两类。基于情感词典的分析方法依赖情感词典,情感词典的质量直接影响模型的分类效果。该方法虽然简单,但是需要耗费巨大的人力维护词典,并且模型不具有可移植性。传统机器学习方法提取文本特征时需要领域专家的参与,不同领域的文本特征建模是有所区别的,因此也没有妥善解决人工成本和可移植性问题。针对基于词典和传统机器学习方法在文本情感挖掘方面的不足,本文将卷积神经网络(CNN)和注意力(Attention)机制相结合,设计了适用于网络用户情感分类的模型(MWABCNN)。在理论模型研究的基础上,设计了网络情感分析原型系统,本文具体工作如下:第一,在研究文本情感分析的词向量结构基础上,对现有词向量训练模型进行对比实验研究,设计了基于word2vec和GloVe模型的词向量的训练方法。采用维基百科和微博语料进行了预训练实验研究,结果表明预训练的词向量性能优于随机初始化的词向量。第二,设计了融合多通道的卷积神经网络与注意力机制的新型神经网络模型(MWABCNN)。分别与朴素贝叶斯算法、支持向量机和循环神经网络分类算法进行了对比实验研究,结果显示了MWABCNN模型在网络文本情感分析的性能优势。第三,研究了MWABCNN模型的参数优化,根据输入词向量的静态(static)与非静态(non-static)、卷积核的大小、dropout概率、训练语料的大小等参数,设置了多组不同的对照试验来验证这些参数对模型分类准确率的影响,并对参数进行调优。第四,在研究文本情感分析的理论模型基础上,设计了基于深度学习的网络文本情感分析的原型系统(NUSAS),并对该系统进行了实现与测试。