我们已经进入大数据时代,互联网上存在的海量数据可以加以分析挖掘其内在的信息,而其中数量最多的即是文本数据。人们每天都会在微博,贴吧或是各种评论区留下对于产品的看法,对于电影的意见以及对于股票的评论。而这些数据包含了作者的观点和看法,如果能从这些数据中提取出情感指标,对于网络舆情风险分析,商品改良,用户吸引,信息预测等领域都将提高自动化程度,减轻人工筛选成本,因此文本分析对于无论是科研还是实际应用都有非常重要的价值。深度学习是目前应用较广的方法,其被广泛应用于自然语言处理,图片分辨,语音识别等领域中。而在自然语言处理领域,注意力模型是目前研究非常多的一个理论,该模型通过对于网络输出中间量进行加权处理,使得神经网络更关注于那些对文章产生重要影响的文本,降低整个网络的运行时间并提高其精度。注意力模型一般常用于文本翻译中,用以标注原文对译文翻译结果的重要程度。本文将该算法进行改进,同传统神经网络相结合,应用于文本分类任务中,并加入了CNN层以提取局部上下文信息。为加快注意力模型初始化速度,本文在神经网络上进行改进,引入TF-IDF权重矩阵辅助衡量中间词的权重,通过实验证明,这样可以在保证精度的情况下,降低初始化时间。此外文章还设计了对比试验,验证模型的有效性。并通过对爬取的股评语料库作为训练样本,验证算法在对专有领域的可行性,并将预测结果用于验证舆情指标同投资者信心指数间的相关性。