在“互联网+”的背景下,网络电商平台迅速发展,人们的生活习惯也随之发生了改变,越来越多的人热衷于网上购物并在网络平台上发表意见,以表达对产品属性的情感倾向,从而产生源源不断的商品评论信息。在这些数据中往往包含了大量的用户情感因素,如果能有效地挖掘出用户评论的情感信息,这不仅能为商家提供信息反馈,便于商家及时调整销售决策,还有利于社会调查以便政府做出行之有效的对策。因此研究针对商品评论的文本情感分析具有重要的商业价值和社会意义。在互联网时代,每天都有上亿条信息产生,面对如此大规模的数据量,传统的情感分析方法面临着一系列的挑战,如不能全面提取文本中的情感信息、解决模型训练时间较长以及无法对目标特征进行深层情感挖掘等众多问题。为解决上述不足,本研究从模型设计和参数训练两方面进行改进和完善,提出了一种基于双通道的混合神经网络商品评论情感分析模型。主要创新点体现在如下三个方面。(1)在以往的情感分析方法中,一般只使用单一的字或词嵌入信息作为输入来源,这会导致文本语义信息学习不全面,造成遗漏信息的风险。针对此弊端,提出在模型中引入Char-Embedding和Word-Embedding,使模型具有同时从词级别粒度和字级别粒度的嵌入向量中学习情感特征的能力,可解决现有模型存在学习特征不全面的缺点,在一定程度上可改善模型的特征学习能力。(2)通过大量的研究发现,目前在传统的情感分析方法中并没有对特征信息的融合方式做进一步研究,只是将提取的特征向量进行简单的拼接,这很容易出现忽略目标特征的权重分配问题,导致模型对文本的区分能力降低、训练时间变长。针对此问题,提出在模型的特征融合层引入Attention技术,进而提高模型对关键信息的分辨能力。此技术利用计算出的权重值与不同的特征信息进行相乘,有效地放大了目标特征向量的情感信息,从而减弱了非目标特征向量的情感信息。(3)常规TextCNN网络的最大池化层存在的缺陷:在卷积操作后,文本特征的位置信息通常是会被保留下来的,但是经过Max-Pooling后只保留了部分得分最高的特征,而其它分值低但出现频次高的强特征信息却都被丢掉,造成了特征信息大幅度损失的问题。针对此缺陷,提出将Max-Pooling替换成K-Max-Pooling,这种策略不但可以获取所有特征值中得分最高的前Top-K特征,还能保留提取特征的原始序列。这在一定程度上可缓解TextCNN网络的不足,还有助于提升模型的分类性能。