随着互联网信息量的激增和信息类别的不断多样化,快速、精确地获取有效信息变得愈加困难,致使基于文本内容的语义分析已成为自然语言理解的重要研究分支。另一方面,在大数据时代,随着电商的蓬勃发展,如何利用语义分析挖掘商品评价信息中潜在的情感态度,推动网络舆情监督、商品售后自动抉择,已是急需研究的重要课题。为此,本文以中文字、词、句释义为基础,研究基于深度学习与注意力机制的文本情感分析。研究工作不仅有助于推进深度学习在自然语言处理中的应用研究,而且也为网络媒体的精准推荐提供技术参考。主要工作和取得的成果概述如下:1.利用网络爬虫构建语料库,并通过文本预处理获取研究所需样本。在生成式问答回复模型基础上,利用seq2seq神经网络模型、注意力机制、Dropout策略等,获得字词释义模型。比较性的数值实验表明,所获释义模型在字词释义准确性方面有明显优势。2.鉴于TextRank算法的性能极大依赖初始化节点的权重设置,以及其抽取的文本摘要存在冗余信息,将句子的位置信息、句子与文本内容的贴近度、句子的有效词占比、总结词权重四种因素以及依存句法分析引入此算法中,获得可提取句子的主谓结构且能实现句子级语义分析的改进型TextRank算法。比较性的数值实验表明,该改进型算法在文本摘要抽取的准确率,以及所获文本摘要与文本主题的贴近度方面均具有一定的提高。3.在深入剖析卷积神经网络和长短期记忆神经网络的基本原理、模型结构基础上,针对长短时记忆网络仅能学习文本的历史信息的不足,将时序卷积神经网络、注意力机制、双向长短时记忆网络有效结合,获得可提取文本特征的文本情感分析模型。进而,将此模型与Python轻量级Web框架结合,获得基于网购商品信息的商品评价系统。比较性的实验分析表明,该模型相较于传统的长短时记忆网络情感分析模型,在准确率、召回率和F值方面有一定的提升,同时注意力机制有助于改善CNN-LSTM的情感特征提取的效果。