随着计算机技术快速发展，愈来愈多的网络用户通过社交平台表达对特定事物的看法。这些评论语料中蕴含大量的个人情感色彩，对这些内容加以分析利用，对预测商业形势以及社会发展态势有重要价值，这也促进了情感分析领域的发展。
　　对情感分析的主流方法分析如下：基于情感词典方法，该方法需要人为构建情感词典，词典构建的全面与否对准确率有很大影响。基于传统机器学习的方法，需要人工对语料进行标注，随后人工设计特征，最后使用相关机器学习算法完成任务。该方法对硬件要求低，但是依赖特征工程操作，对人力成本消耗较大。近年来，随着深度学习技术的不断成熟，使用深度学习模型解决情感分析问题受到广泛的关注。与前两种方法相比，深度学习模型在特征挖掘与序列建模方面更胜一筹；另一方面，其能够自动的挖掘语料深层次特征，省去了特征工程等人为环节，在情感分析任务中取得了不错的效果。
　　基于上述分析，本文设计并实现深度学习模型如下：
　　首先，依据卷积神经网络与循环神经网络各自特点与优势，将二者进行融合，构建结合多通道卷积神经网络和双向门限循环单元神经网络的MCNN-BGRU模型。模型采用多通道卷积神经网络进行有监督学习，在不同大小的窗口提取粒度不同的情感特征，从而识别更多的情感特征分类模式。双向门限循环单元网络能够挖掘跨度更广的语义依赖关系，有效识别文本情感极性。
　　其次，就文本中每一部分所蕴含的情感信息差异较大的问题，本文在MCNN-BGRU之上引入注意力机制。注意力机制能够帮助模型自适应地结合文本上下文信息，给与文本中重要程度较高的部分以高权重。
　　最后，在模型的训练阶段，为提升模型抵抗梯度弥散的能力，引入Maxout神经元，形成ATT-MCNN-BGRUM模型。将本文模型与实验组方法进行对比，实验结果证明本文模型在文本情感分类任务上有更好的表现。本文还对模型的训练过程与测试过程进行分析，对Maxout神经元的有效性进行实验验证。最后，对不同模型单一训练轮次的时间消耗分析，以说明本文模型训练性能的提升。