进入21世纪,深度学习框架的提出使很多图像和语音领域的问题都得到了突破性的进展。在自然语言处理领域,深度学习模型也取得了不错的效果,特别是在文本分类任务上,一些典型的神经网络的应用将文本分类的准确率提升了很大的幅度。从整体来看,在使用基于深度学习的神经网络模型进行文本分类的任务时候,有两个步骤是十分关键的:1将文本中词语转化成词向量;2将词向量序列合理地编码为句向量。现有的深度学习模型虽然在文本分类上取得了不错的效果,但是在这两个步骤中都存在着一些缺陷。本文针对现有模型在这两个步骤中的缺陷,提出了如下两种改进的网络模型结构。一、在将词语转化为词向量过程中,已有的基于深度学习的模型都是直接使用word2vec等无监督的词向量生成策略,将词语看成是不可拆分的最小单元,通过词语之间共现的概率将词语映射到向量空间中去。这类方法只是考虑了词之间的位置统计关系,并没有考虑到词语本身所包含的结构信息。无论是中文还是英文,词语本身的形成都具有一定的规律性,本文提出的基于构词法的神经网络文本情感分析模型,通过神经网络结构自动地从词语中提取出结构信息。二、在将词向量序列编码为句向量过程中,已有的基于深度学习的模型都是单独使用卷积神经网络或者循环神经网络。但是卷积神经网络在提取情感特征方面存在局部性的缺陷,循环神经网络在提取情感特征方面存在序列偏置的缺陷,这些缺陷将会影响最终模型的分类性能。本文针对这两种网络结构的特性,提出了基于情感信息收集-抽取架构的文本情感分析网络,使用合理的方式将卷积神经网络和循环神经网络进行了有机组合。基于上述提出的两种改进的神经网络结构,本文研究与实现了面向微博的文本情感分析系统,全面介绍了整个系统的四个主要功能实体:1数据抓取与预处理模块;2数据分析模块;3数据存储模块;4数据展示模块。同时详细介绍了这四个功能实体的内部设计细节,并在最后进行了系统的测试与前端展示。