特定目标情感分析是自然语言处理任务的重要分支。此类任务的传统方法大多数是基于机器学习和深度学习的有监督算法,模型在识别特定目标情感取得一定的效果。本文研究领域针对特定目标的情感分类,其内容更加细化,所以,训练数据规模受到限制,训练完成的模型适用领域单一。同时网络用语表达丰富多变,传统的方法解决特定目标情感分类任务越来越困难。因此,如何优化分类模型,提高特定目标情感分类的准确率是一项重要的研究任务。根据分析本文研究内容的特点,结合此领域中广泛应用的深度学习算法,本文重点研究结合递归神经网络的情感分类模型。主要工作如下:1)针对情感词语识别不精确导致分类准确率不佳的问题,本文提出以递归神经网络为基础,优化注意力机制的基于注意力矩阵的特定目标情感分析模型。该模型填充语料由人工标注完成,通过扩充语料库,利用Glove方法,学习词向量表示;其次,使用词向量作为网络输入,学习句子的表示。实验结果表明,在语料丰富的场景下,该模型取得优异的准确率。2)针对语义特征提取不充分导致句子向量表示不准确的问题,本文提出以标记标准权重为辅助,引入注意力函数的基于分层特征提取的特定目标情感分析模型。该模型通过调节注意力函数,根据特定目标灵活调整权重值。实验结果表明,在语料较少的情况下,训练适当权重,该模型分类的准确率优于传统研究方法。3)针对模型可扩展性不佳的问题,本文提出利用通用知识库的基于知识图谱的特定目标情感分析模型。该模型融入向量化的三元组,提供额外先验知识。实验结果表明该模型取得了较好的性能。