21世纪,科学技术飞速发展,平板电脑、智能手环等便携式移动终端越来越普及,互联网潜移默化地改变着我们每一个人,通讯的便捷可以让天各一方的人们随时随地交流信息,表达看法,例如微博、视频弹幕、音乐评论、商品评论、微信朋友圈等各种形式的交流方式层出不穷,尤其是微博,已经成为广大民众交流的热门平台。对互联网上的这些承载着人们主观情感的文本进行收集并分析,提取民众对一些事件的看法和情绪,对政府决策、舆情监控、企业公关、突发事件等领域具有重要的意义。文本情感分析,又称为文本意见挖掘,是对文本中蕴含的潜在情绪、观点等信息的分析、总结、归纳,是涉及深度学习、自然语言处理、概率统计等领域的综合性研究课题。相较普通文本,微博文本更简短、更口语化、每个人的表达习惯各不相同,呈现稀疏的、不规则的特点,因此,针对微博短文本的情感分析愈加困难。本文首先对微博文本情感三分类进行了研究,综合考量局部语义、句法结构以及上下文语境,提出一种多特征融合的微博文本情感分析模型。其次,由于三元文本情感分析的分类较少,为了更好地满足实际情况,本文对微博文本情感多分类进行了进一步探究,从向量表征和分层特征提取两方面入手,提出一种基于BERT和层次化Attention机制的微博情感分析模型。本文的主要研究工作如下:1.针对现有的微博情感分析方法不能从句法结构、上下文信息和局部语义特征等方面综合考量文本语义信息的问题,提出一种基于特征融合的微博文本情感分析方法。首先,采用Jieba分词工具对微博评述文本进行分词,并通过FastText进行词向量的预训练。然后,将词向量分别作为引入Self-Attention的BiLSTM和TextCNN的输入,使用引入Self-Attention的BiLSTM从文本的句法结构和上下文信息两个方面综合提取全局结构特征,通过TextCNN提取文本的局部语义特征。最后,将全局结构特征和局部语义特征进行融合,送入Softmax完成情感分类。实验结果表明,该方法可以有效增强微博文本情感分析模型的性能。2.针对上述微博情感分析模型由于使用Word2Vector或GloVe等静态词向量方法,不能很好地解决一词多义问题;以及使用单一词语层Attention机制未能充分考虑文本层次结构的重要性,对句间关系捕获不足等问题。提出一种基于BERT和层次化Attention的微博情感分析模型BERT-HAN（Bidirectional Encoder Representations from Transformers Hierarchical Attention Networks）。首先,通过BERT生成蕴含上下文语意的动态字向量;然后,通过两层BiGRU分别得到句子表示和篇章表示,在句子表示层引入局部Attention机制捕获每句话中重要的字,在篇章表示层引入全局Attention机制以区分不同句子的重要性;最后,通过Softmax完成情感分类。实验结果表明,本文提出的BERT-HAN模型能有效提升微博情感分析的Macro F1和Micro F1值,具有较大的实用价值。