当前,数据作为新一代的经济引擎受到了越来越多的关注,以及互联网的普及,越来越多的用户通过网络进行通讯、交流、购物、发表言论。网络发展促使大量的文本数据涌现。如何从文本数据中精准地获得情感信息成为如今数据科学、智能计算等领域的研究热点。同时,在政治、经济等领域中,网络文本观点数据的价值正受到越来越多的关注与重视。网络文本观点的挖掘与情感判别研究可为政府舆论监控、商品购物推荐、人机智能交互等应用提供较好的应用价值。针对网络文本观点,本论文以数据科学的视角,对网络中文本观点数据与情感判别进行了挖掘与分析。通过对现有的文本观点挖掘算法进行分析,得出如下结论:(1)文本观点挖掘粒度划分单一,粒度划分粗糙,存在数据稀疏,数据不均衡等问题;(2)传统的挖掘需要大量的人工处理,存在特征提取简单、处理效率不高等问题。针对以上两点问题,本文采用基于深度学习的方法,即序列特征的深度神经网络与强特征的表征机制相结合的方式实现模型的研究与改进。深度学习在各个领域获得了极好的应用,深度学习在机器翻译、文本对话中获得了极好的效果,这论证了深度学习在文本处理中具有独特的优势。因此,本论文采用了具有序列机制的深度神经网络(如RNN、LSTM、GRU等深度神经网络)结合注意力机制的方法对观点进行提取与挖掘,并对情感态度进行分析。基于该研究,本论文主要做了如下工作:1、对网络文本观点与情感分析研究现状进行调查与分析,以数据科学的视角论述了网络文本观点与情感数据的处理流程。对网络中文本观点与情感数据进行挖掘与分析,并实现可视化。论文采用了深度学习方法,将注意力机制融入到序列网络的深度学习模型中,即通过将注意力机制与双向门控循环单元网络相结合来表征网络文本观点信息,训练出具有情感分类的模型。最后,通过对比实验,验证该模型的有效性。2、结合神经网络的特性,将双向门控循环单元网络与强特征特性的胶囊网络相结合,从而实现了优势互补的网络模型。双向门控循环单元强化了网络效应,提升了观点文本的表示效率。使用注意力机制有选择地去除冗余,强化了有用观点,使用胶囊网络进一步提升了情感分类的甄别能力。