在信息化时代,微博和网购平台在人们的日常生活、学习和交流中发挥着越来越重要的作用,平台上的用户数据隐藏着丰富的情感信息。与此同时,这些海量的数据也吸引着越来越多的研究者参与到微博和网购等短文本数据的研究,如何有效表示短文本语义特征和深入地挖掘短文本潜在的情感信息是其中的重点和难点。传统机器学习方法使用的特征在向量空间模型上表现过于稀疏且缺乏短文本的语义信息,不能很好地识别短文本的语义特征和潜在的情感特征;虽然短文本情感分类在深度学习中取得了较好的效果,但是由于深度学习模型的“黑箱性”,无法解释网络层中提取特征的来源。为解决上述问题,本文从短文本中的情感词、词性和句法结构等语法关系的角度出发,分别提取了词的情感词性、位置信息和依存关系等短文本浅层学习特征,并结合深度学习中的注意力机制和卷积神经网络特征,通过融合浅层学习和深层学习的方法来学习短文本中的语义信息和潜在的情感信息,从而促进短文本情感特征的有效表达,提高短文本情感分类效果。针对神经网络的“黑箱性”,为提高网络的可解释性,本文提出了一种基于情感多通道的双向长短期记忆网络模型(BM-ATT-BiLSTM);针对传统机器学习方法的算法相对简单,和刻画样本特征存在局限性,本文提出了两种神经网络模型,一种是融合情感注意力的卷积神经网络模型(CS-ATT-CNN),另一种是融合情感注意力的多核卷积神经网络模型(CS-ATT-TCNN)。基于情感多通道的双向长短期记忆网络模型(BM-ATT-BiLSTM):(1)首先把短文本中提取的情感词性、情感词位置信息和依存关系等浅层学习特征映射到高维空间,形成三个高维连续特征向量;(2)再把三个特征向量与词嵌入拼接,输入到BiLSTM中,组成三通道;(3)然后在三个通道中分别加入注意力机制;(4)使用批归一化把三通道的网络传递到三个全连接层;(5)之后组合三个全连接层,输入到softmax分类层。实验在COAE2014、NLPIR和NLPCC2014等三个数据集上进行对比,结果显示本文提出的BM-ATT-BiLSTM效果最佳,在COAE2014上F1为95.54%,比LSTM模型提高了3.07%;在NLPIR上F1为88.76%,比LSTM模型高出1.67%;在COAE2014上F1为73.06%,比LSTM模型高出0.66%。CS-ATT-CNN和CS-ATT-TCNN具有相似的结构和功能,但CS-ATT-CNN优于CS-ATT-TCNN,这里只分析CS-ATT-CNN。融合情感注意力的卷积神经网络模型(CS-ATT-CNN):(1)首先使用卷积神经网络提取词嵌入的短文本特征;(2)然后使用注意力机制提取词嵌入中的情感注意力特征;(3)再将卷积神经网络提取的短文本特征和情感注意力特征进行融合,形成一个新的特征向量;(4)把这个特征向量输入到支持向量机中;(5)以支持向量机作为短文本最终的分类器。在COAE2014、NLPIR和NLPCC2014等三个数据集上进行对比实验,实验结果表明本文提出的CS-ATT-CNN在精确率、召回率和F1均表现优秀,而且优于一般的卷积神经神经网络,在模型训练时间上耗时少于LSTM模型及其衍生的LSTM模型,但是整体效果弱于本文提出的BM-ATT-BiLSTM方法。综上所述,本文提出的基于情感多通道的双向长短期记忆网络模型和融合情感注意力的卷积神经网络模型,在一定程度上学习了短文本内上下文语义信息,较为有效地挖掘了文本内隐藏的情感信息,缓解了语义丢失、特征矩阵稀疏和维度爆炸等问题,模型更具有泛化能力,更为有效地解释了短文本内的情感倾向性。