文档级别的情感分类是情感分析和观点挖掘的基础任务,它根据文本中单一的目标或产品来决定该文本的情感极性。传统的情感分类方法是手动地从文本中抽取、设计和选择一些高质量的特征,然后训练各种分类器,这种方法依赖于人工设计的特征选择方法,并且难以应用在海量数据集的场景中。近几年来,深度学习方法在自然语言处理领域取得了重大突破,越来越多的研究者关注如何利用深度学习技术提高情感分类的效果。但是,目前大部分工作只关注文本内容而忽视了用户和产品信息,提取的情感信息较为单一,并且对文本数据缺乏有效利用导致信息丢失,这些问题严重影响了情感分类任务的准确率。本文针对上述问题,主要工作如下:1.考虑到用户信息和产品信息对情感分类任务的影响,设计并实现了一种分层注意力和用户产品信息相结合的情感分类模型(Hierarchical Attention Network With User And Product Attention,HAN＿UPA),分别在词语层和句子层考虑用户偏好和产品特征对情感评分的影响,并且优化了情感评分函数,通过计算词向量和平均句向量的语义相似度、句向量和平均文档向量的语义相似度来提高重要词语和重要句子的权重,进而提高情感分类的准确度。在三个英文数据集上的实验结果表明,考虑用户偏好和产品特征的情感分类模型与结合语义相似度的情感分类模型都提高了分类的准确率。2.针对提取情感信息单一的问题,设计并实现了融合用户信息和产品信息的分层多头注意力情感分类模型(Hierarchical User And Product Multi-Head Attention Model,HUPMA)。在词语层和句子层中分别用多头注意力提取出词语和句子的情感信息,形成指代信息更丰富的注意力权重分布;同时在每个注意力中融入用户信息和产品信息,在多个子空间上得到用户偏好和产品特点对情感评分的影响,挖掘出用户信息和产品信息在多个维度上的深层特征。实验结果表明,多头注意力的引入大大提高了情感分类效果,尤其是融合了用户信息和产品信息的分层多头注意力模型取得了非常好的效果。3.为了提高情感分类模型的局部特征提取能力,减少信息丢失,本文结合卷积神经网络(Convolutional Neural Network,CNN)和多头注意力机制,设计并实现了基于长短期记忆网络和卷积神经网络的多头注意力情感分类模型,采用了长短期记忆网络和卷积神经网络相结合的方式,不仅能够较好地处理文本的时序信息,同时也能够提取局部深层次语义信息。除此之外,本文将多头注意力思想与卷积网络的池化层相结合,用多头注意力的池化策略代替传统的最大池化策略或平均池化策略,更大程度上保留了对分类结果有重要影响的词语,减少了信息丢失。实验结果表明,基于LSTM和卷积神经网络的多头注意力情感分类模型比原来的模型在准确率上取得了进一步的提高。