随着互联网相关技术的快速发展,在以微博、淘宝等为代表的新型自媒体上,用户自由地在网络平台上表述自己的观点。评论观点不仅是用户选购产品或讨论时事的参考依据,也是收集民意信息的重要途径。由此可见,挖掘海量评论文本的观点倾向,分析情感极性,能够促进各方面的需求,具有重要的研究价值。情感分析也成为自然语言处理领域的一个重要研究课题。传统情感分析方法主要采用人工标注,对文本进行简单情感分类,难以自动学习,提取更准确的特征。近年来,机器学习、深度学习相关技术为自然语言处理带来了新的机遇。词语作为最基本的研究单元,词向量训练的好坏对任务完成的准确率至关重要。针对传统的词向量只考虑了词语中的语义信息,且卷积神经网络并未考虑句子结构和句子重要性特点,本文围绕词向量的训练方法以及基于卷积神经网络的中文情感分析相关技术展开,重点研究了采用信息词向量在改进的新型卷积神经网络中的情感分析方法,取得了一定成果,总结如下:(1)考虑到word2vec方法从上下文学习的语义词向量不包含词语自身的情感信息,且传统的卷积神经网络模型没有考虑到句子的结构,提出了一种基于情感词向量的动态多池卷积神经网络(SDMCNN)模型。该模型将语义词向量结合情感信息共同训练情感词向量,以转折词来分段句子,卷积神经网络中的动态池化层提取句子结构的多个最大特征值。实验结果表明,SDMCNN模型在精确率、召回率和F1值等指标上优于机器学习方法和传统卷积神经网络模型,证明了模型在中文评论情感分析任务上的有效性。(2)通过将产品信息引入神经网络方法来处理词向量问题,同时根据句子在文档中具有不同的重要性,提出了一种结合产品特征的权重卷积神经网络(PWCNN)模型。模型首先基于向量的语义合成计算原理训练产品信息词向量,然后采用池化加权的卷积神经网络来实现有区别的特征提取,进而学习文档级评论的情感表示。为了防止过拟合且提高泛化能力,在输出层采用dropout策略。实验结果表明,PWCNN模型在多领域产品评论数据集上情感分类准确率明显提高且加快了模型训练速度。