在当今这个信息爆炸的大数据时代,互联网用户不同于过去那种被动接收外界信息的人群,而变为了主动在网上表达观点和分享心得。现在用户在得出结论之前,都会参考相关的评论与心得得出结论。在广泛的互联网信息中心搜寻自己需要的重要信息,这可以说是每个人的必备能力。近些年来对于传统文本的情感分析络绎不绝,取得了长足的进步,并有效协助用户本身的决策。最近一段时间弹幕视频与直播行业蓬勃发展,弹幕已经变成了用户之间在网络上互相交流与讨论的常用工具,但是用这种具有时间序列特征的文本数据进行情感分析,国内外对此仍然研究甚少。最近经常出现的一些直播事故也使直播存在的安全隐患问题逐渐浮出水面。当前对于各大主流直播平台而言,它们的监管形式仍然属于人力监管状态。人力监管的主要监管手段是监管人员流动监察或是接到观众举报,但是这也导致了一个问题:同一时段的直播间数量非常大,并且接到的无意义的用户举报有时也会浪费监管的人力,这种现象也造成了直播事故公关的极大的滞后性。网络上经常流出的某些不雅视频或照片正是人力监管已经不能满足直播平台监管需求的重要体现。深度学习算法与传统的机器学习方法比较来说能够更加行之有效地解决梯度下降、过拟合等难题,并且它在文本分析领域也具有更加良好的表现。根据直播平台出现的这一现状本文提出了基于深度学习的情感分析模型。对从直播平台获取的弹幕文本数据进行预处理后,使用Word2vec训练得到词向量,并进行模型的构建。本文使用了 CNN、RNN中常用的BiLSTM以及改进的BiLSTM-Attention三种深度学习的模型进行实验,对比和评估三种模型得到最优的模型。本文首先通过爬虫技术爬取到弹幕文本数据,随后对文本数据进行预处理操作,即对输入的弹幕文本进行过滤无意义弹幕、弹幕分词以及去停用词,在弹幕文本被加工完之后,词向量就开始得到构建。对Word2vec进行相关分析与操作之后,就建立了相关模型,这个模型是在深度学习之前才得以建立的,之后就开始进行情感分析模型的构建。之后对模型进行评估,找出适合应用于实践的深度学习模型。直播平台可以设立一个阈值,当弹幕的负面评论出现率高于该值,便可以及时监察该直播间,必要时可以采取措施及时封禁直播间。基于此模型可以达到减少人力成本,及时监察并做出应对措施的作用,可以极大地降低出现直播事故的概率。平台也可以根据模型计算出的数值,重点关注潜在的出现直播事故可能性较大的直播间,避免平台的形象受损。此篇文章对弹幕文本数据做出相关的梳理与探索,实验表明构建的基于BiLSTM-Attention的情感分析模型相比于基于CNN和BiLSTM的弹幕词语分类模型在本文的数据集上有着更高的准确率,对弹幕的实时监测更加有效,具有一定的直播平台使用价值。