随着Web2.0技术的飞速发展,社交网络已成为人们生活中不可或缺的一部分,人们在网络平台上发表自身观点,由此产生了大量带有情感信息的文本数据。通过情感分析技术对文本进行文本数据挖掘,发现文本中存在的情感信息,对各行各业有着十分重要的意义,因此情感分析成为了自然语言处理中最活跃的研究领域之一。近年来,深度学习在自然语言处理领域得到了广泛的应用,并取得较好的效果。本文研究基于深度学习的中文文本情感分析方法,主要工作包括以下几个方面:1.研究了网络爬虫技术,针对网站特点,设计网络爬虫方案,通过Python3的Scrapy框架,实现了对数据的并行爬取,将爬取数据格式化存储至MySQL数据库中,构建了大规模中文文本情感分析语料库。2.研究了情感词向量的生成,提出了一种有效的情感词向量生成方法。该方法主要是通过在预训练词向量上加入情感信息得到情感词向量。具体实现方式是基于构建的大规模中文文本情感分析语料库训练词向量,并通过语料库和SO-PMI方法生成情感词典,再通过将词向量与词语的情感分数进行拼接得到情感词向量。本文在三种预训练词向量上,对该方法进行验证,实验结果表明,该方法的应用有助于情感分析任务的效果提升。3.提出了一种新型网络架构:BLSTM-MultiAtt-CNN,该模型包括BLSTM层、多通道自注意力编码层和注意力CNN层。首先通过BLSTM层对语句序列进行编码,捕获上下文信息,然后通过多通道自注意力编码层对全局信息进行捕获,注意力CNN层对局部信息进行捕获,最后再将全局信息和局部信息进行拼接,作为文本所包含情感特征的向量表征。本文通过多组参数对比实验确定了模型中超参数的最优值,并通过与多种模型进行对比实验验证了该模型的有效性。4.实现了基于BLSTM-MultiAtt-CNN模型的RESTful API情感分析服务。本文使用Flask框架搭建Web系统,整合模型,提供RESTful API服务,实现了该服务的可视化展示,并使用Docker对服务封装,便于服务部署。