情感分类是自然语言处理领域的研究热点之一。对用户在各个社交平台上的评论进行情感分类,有着越来越高的实用价值。本文针对传统情感分类模型特征提取能力欠佳,无法妥善应对一词多义的问题,通过堆叠嵌入动态词向量与静态词向量,改进评论文本的特征提取方式,对文档级和方面级评论文本的情感分类方法进行深入研究。具体内容包括以下两点:（1）针对传统文档级情感分类模型未充分考虑原始信息全局和局部特征,无法依据上下文调整词向量的问题,提出一种ELMo-CNN-Bi GRU双通道文档级评论文本情感分类方法。首先,利用ELMo和Glove预训练模型,分别生成动态和静态词向量,通过堆叠嵌入两种词向量,生成输入向量;其次,利用自注意力机制处理输入向量,计算内部的词依赖关系;再次,构建CNN和Bi GRU的双通道深度学习结构,同时获取文本局部特征和全局特征;最后,将双通道处理结果进行拼接,经过全连接层处理,输入分类器获得分类结果。（2）针对传统方面级情感分类模型中,未能充分捕获评论文本特征信息,方面信息提取能力欠佳的问题,提出一种XLNet-CNN-GRU双通道方面级评论文本情感分类方法。首先,采用LDA主题模型提取评论文本的方面信息,使用预训练的Glove模型将提取出的方面词转化为静态词向量,利用预训练的XLNet模型生成评论文本的动态词向量,对两者进行堆叠嵌入;其次,将堆叠生成的词向量分别输入到融合注意力机制的GRU和CNN通道中,提取评论文本的全局和局部特征;再次,将双通道的处理结果进行拼接输入到自注意力层,利用自注意力机制提取特征;最后,将特征传入全连接层进行处理,利用分类器获得方面级情感分类结果。实验结果表明,在IMDB、yelp、sentiment140这三个数据集上,ELMo-CNNBi GRU双通道文档级情感分类方法在准确率和F1值两方面,较CNN、BIGRU、Bi LSTM+EMB＿ATT、Bi GRU-CNN、H-Bi GRU和PF-CNN模型有所提升;在Sem Eval-2014的restaurant和Laptop以及ACL 14 Twitter数据集上,XLNet-CNNGRU双通道评论文本情感分类方法在方面级情感分类任务中,获得了更高的准确率和F1值,提高了方面级情感分类效果。