随着互联网的快速发展,越来越多的人选择在网络上分享自己的观点和看法,这些网络评论蕴含着发布者的情感倾向,如何有效的利用这些具有高潜在价值的文本,探索文本中的情感倾向是目前的研究热点。但随着网络上的文本数据呈现爆炸式发展,更具无规则、内容多样性等数据特征,对情感分析任务提出了更高的要求,传统的情感词典、机器学习等方法显现明显的局限性。与此同时,伴随着我国大力推进文化体制建设,国民提高了对精神方面的追求,电影行业在此阶段得到飞速发展,电影购票平台、影评平台相继完善,大量的网络电影评论触手可得,为影评的深入研究提供依托;与此同时,其他用户的评论在观众选择是否进行购票行为时,起着关键性指导作用,这些评论也可以帮助电影制片方改进制作内容。因此,本文将利用深度学习的相关方法,探索在中文影评情感分析任务上的效果。本文选择豆瓣电影网、猫眼电影上的用户评论文本,按照电影票房以及受欢迎程度,借助Python软件爬虫获取爱情类、动作类、奇幻类、喜剧类、战争历史类五种电影类型下共20部电影的评论,经过数据预处理,得到24000条影评数据用于分析。首先,本文介绍了Text RNN、Text CNN、注意力机制、BERT模型的相关网络结构和特点,分析Text RNN模型对文本端点位置的词信息获取度更高,但文本关键信息可能在任意位置;Text CNN模型利用卷积核提取信息,却忽略了词汇的位置特征;注意力机制通过给予较高权重可以很好的关注重点特征。因此,针对单一模型无法有效获取文本倾向的问题,提出了融合注意力机制的R-ACNN模型以及BERT-RCNN模型,分析在多类型影评下模型的效果,同时分别验证在不同类型影评下模型的稳定性。其次,将单一模型设置为对比实验,保证超参数设置一致的同时,从多个分类效果指标上,验证了本文提出的两种模型对比单一模型,都可以更有效的提升文本情感倾向的预测效果,其中,BERT-RCNN模型的效果最佳,准确率、精准率、召回率、F1值都达到0.86以上,AUC值达到0.97。最后,本文对不同类型下不同倾向影评进行分析,通过绘制词云图,了解观众的主要关注点以及不满之处,同时利用LDA主题模型,探索用户的偏好主题分布,为电影制片方提供一定参考性意见。