MOOCs论坛为在线学习者和教师提供了重要的交流平台,但海量的课程评论使得教师无法对每条评论及时做出响应。通过对MOOCs课程评论进行情感分类和方面挖掘研究,能够了解学习者在学习过程中的情感状态和使他们产生消极情绪的方面,这有助于教师调动学习者积极性,提高学习效率。本文以MOOCs课程评论为研究对象,提出了两种情感分类算法和一种方面挖掘算法,主要研究内容为:（1）提出了一种并行神经网络结构的情感分类模型（PNNs模型）。PNNs模型能够自动提取特征,无需人工干预,而且能够有效解决LSTM对CNN所提取特征完整性的影响。与串行神经网络结构相比,并行结构能够更好地提取有效特征。实验结果表明,本文提出的PNNs模型的F₁值比串行网络模型均有不同程度的提升。（2）提出了一种基于双向GRU的情感分类模型（BGDL模型）。本文提出了一种融合语境信息的词表示方法以解决词嵌入无法缓解一词多义的问题。经研究发现,当样本中存在大量的易分类样本时,在模型训练过程中易分类样本会淹没难分类样本,主导网络梯度的更新方向,进而影响模型的分类效果。因此本文提出一种新的损失函数（Drop Loss）,使得BGDL模型在训练过程中专注于难分类样本。实验结果表明,本文所提出的BGDL模型取得了与BERT、ELMo等模型同样出色的分类结果（BGDL的F₁值为96.89%,96.15%和93.42%）,而BGDL的网络参数和时间复杂度远低于上述两种模型。（3）提出了一种基于神经网络的方面挖掘模型（Bi-Net模型）。本文考虑到方面术语词大多是名词或是名词短语这一事实,利用双向LSTM得到具有依赖关系的词表示后,融入单词词性特征以丰富单词的语义信息,然后使用Self-attention机制减少模型在训练过程中对非方面术语词的关注,进一步提高得到的方面术语词的一致性。由实验结果表明,本文所提出的方法能够发现更具有一致性的方面,并且在两个数据集上的F₁值分别优于基准方法2.8%和1.7%。综上所述,本文提出的方法在MOOCs平台上具有巨大的潜在应用价值,可以帮助MOOCs相关工作人员实时获得学习者的情感倾向,从而及时干预以支持学习并降低辍学率。