随着互联网技术的快速发展,网络文本数量呈现爆炸式增长。这些网络文本对电商、政府部门和潜在用户而言具有重要的参考价值。一方面,只分析文本的整体情感倾向已经无法满足这些群体的需求,需要更细粒度的分析;另一方面,反语和讽刺内容的存在,会翻转句子的情感极性,导致误判,极大地影响了情感分析的准确性。因此,对网络文本进行细粒度情感分析和反讽检测具有重要意义。现有方法通常把细粒度情感分析视为文本分类任务,用LSTM进行文本分类,但LSTM无法捕获局部特征,且容易忽略对隐式评价对象的情感抽取。另外,已有的反讽检测方法主要依赖句中相互矛盾的词汇,当这种语义线索存在时,反讽检测可以实现不错的准确率。但是,当这些提示不存在时,反讽检测就会缺少判别依据,无法有效地识别反讽。本文针对细粒度情感分析和反讽检测展开研究,主要研究工作如下:(1)针对细粒度情感分析问题,本文提出了基于注意力机制的LSTM-CNN词嵌入细粒度情感分析模型。首先,文本的方法将LSTM与CNN结合,利用CNN弥补LSTM无法捕获局部特征的不足,同时利用LSTM学习连续序列特征的能力和CNN捕获局部特征的能力。然后,通过注意力机制分配权重值的方式,给重要的信息赋予较大的权值,突出与指定方面相关的内容,对隐式评价对象进行情感抽取。本文的方法在中文餐馆评论和英文Sem Eval2014数据集上进行实验,验证了本文的方法在细粒度情感分析任务中的有效性。(2)针对反讽检测的研究,本文提出了一个基于句内词对关系和上下文用户特征的反讽检测模型。首先,本文的方法通过自注意力机制计算词与词之间的相似性,挖掘词对的矛盾关系,对句子内部的矛盾性进行建模表示,既解决了现有方法依靠LSTM序列建模不能捕获远距离依赖的问题,又能突出句子的不协调性。然后,用预训练的CNN性格检测模型判断用户的性格特征,用Paragraph Vector学习用户的书写风格特征,将二者融合得到更综合的用户特征。在面对隐式反讽的文本时,上下文用户特征可以为模型提供判别依据,从而提高反讽检测的准确率。本文方法在Reddit和Internet Argument Corpus的四个基准数据集进行了大量实验,相比于其他四种方法,具有更好的预测效果。