文本情感分析作为网络舆情分析的关键任务之一,引起了广大学者的关注和研究。由于中文文本数据还具有其他特性,如语法特异性,语义歧义性,隐喻表达等,再者当前大多数中文情感分析方法都是基于情感词典和机器学习的,并且存在依赖于手动提取样本特征,文本表示能力受到限制等缺陷,很难获得更高的文本情感分析精度。为此,如何进一步提高中文情感分析方法的准确性是网络舆论分析最关键的任务。本次研究过程中,将采用深度学习法尝试探索网络舆情文本情感,相关研究内容如下:(1)根据循环神经网络难以利用文本的情感特征,构建双向门控循环神经网络(BGRU)和胶囊网络(Caps Net)相结合的文本情感分析模型:BGRU-Caps Net。该模型首先使用预训练的词向量对文本进行向量化,然后由双向门控循环神经网络表示每个样本的序列化信息,再通过基于动态路由的胶囊网络来提取更丰富的文本信息,最后通过sigmoid分类器输出分类结果,准确率达到93.51%,但是时间代价比较大。(2)针对双向门控循环神经网络和胶囊网络相结合的模型训练时间较长,且无法挖掘特定目标深层情感等问题,提出了双向门控循环神经网络、卷积神经网络(CNN)和注意力机制相结合的文本情感分析模型:BGRU-CNN-Attention。该模型首先使用预训练的词向量对文本进行向量化,然后由双向门控循环神经网络表示每个样本的序列化信息,然后通过多通道卷积神经网络来提取更深层次的文本信息,再利用注意力机制筛选比较重要的特征,最后通过sigmoid分类器输出分类结果。实验表明,该算法能够明显提高文本情感分析效果,准确率达到了93.70%,时间代价较小。