随着互联网的飞速发展,海量数据不断更新,数据的类型多种多样,其中文本是最直接和最常见的组织形式之一。挖掘文本的有效信息可更快速、准确地了解人们的观点和情感倾向等内容,有利于人们掌握市场动态、社会舆情、网络安全态势等。技术日趋成熟,人们期望能够让机器像人类一样思考,让它可以在诸多文本中过滤掉冗余信息,将核心内容合理地组织、呈现出来。随着生活节奏的逐步加快,越来越多像简讯、评论等字符数量较少的“快餐式”信息涌入生活中,如何快速准确地从大量短文本信息中获取有价值的信息是值得人们深思。因此,本文尝试模拟人类的认知过程并结合多粒度的思想,提出了一种基于多粒度序列注意力机制的短文本分析方法,主要研究如下:1.提出一种基于序列注意力机制的卷积神经网络对URL进行异常检测。该模型用于检测网络中的异常流量。URL全称统一资源定位符,是由一些列字符组成的用于向服务器请求资源的标识符,其具有一定的语义信息并且组成它的字符数量相对较少,它是属于短文本的一种。针对该问题提出了由五层网络组成的检测模型,首先,使用word2vec对URL进行编码,然后使用卷积进行特征自学习,与此同时添加了一个外部语言模型来帮助模型给恶意代码区域赋予更高的注意力值,最后使用最大池化层和全连接层得到最终结果。该模型在真实的URL数据集上验证,不仅能够有效检测URL是否为异常并判定其类型,还可以定位恶意代码区域。2.提出一种基于注意力机制的评论情感分析和情感词检测方法。该模型对评论的情感倾向从不同粒度角度分析。模型结合了注意力机制,使用卷积神经网络进行特征自提取并学习细粒度信息。卷积神经网络的输出用作递归神经网络的输入。递归神经网络的优势在于对全局信息的把握,它可从粗粒度上学习文本信息。该模型中的注意机制自适应地计算不同上下文中每个单词的权重并对词语自适应地关注。该模型可捕获评论所传递的情绪,并自适应地计算情感词的情感极性,在评论中定位情感词的位置。它能够避免预定义情感词典无法适应不同语境的问题,与此同时也避免了不同语种的限制。